PIA05 - Programación de Inteligencia Artificial

¿Qué método se encarga de llevar a cabo el entrenamiento de la DNN?. summary(). train(). Ninguno de los anteriores. fit().

¿Cuál es la operación que realiza el perceptrón?. Multiplicar el coeficiente "a" por "y". Ninguna de las anteriores. Usar coeficientes de tipo irracional multiplicando a "x". La función lineal.

En deep learning, lo más común es recurrir a cálculos de entropía cruzada para la minimización del error. Verdadero. Falso.

¿Cuál es la unidad básica de una red neuronal?. La ecuación cuadrática. Los coeficientes "pesos" o "weights". La función de coste. El perceptrón.

¿Qué clase utilizamos para crear las capas de un modelo DNN (red neuronal profunda)?. Layer. Neural. LogisticRegression. Sequential.

El optimizador RMSprop converge más lentamente hacia el mínimo. ¿Verdadero o Falso?. Verdadero. Falso.

¿En qué tipo de problemas no sería necesario contar con función de activación en el perceptrón?. En problemas de tipo lineal. En problemas con dos o tres variables de entrada. En problemas de tipo exponencial. En general no es necesaria.

¿Qué función de activación es la más utilizada?. Softmax. Todas ellas. Sigmoid. Relu.

¿Qué función de coste es la más indicada para problemas de clasificación múltiple con variables de salida de tipo categórico en formato one-hot encoding? Sparse Categorical Crossentropy. Binary Crossentropy. Ninguna de las anteriores. Categorical Crossentropy. Sparse Categorical Crossentropy.

¿Cuál es la diferencia clave de una red neuronal profunda respecto a otros modelos vistos?. El cálculo de la distancia a los K vecinos más cercanos. La estructura por capas. La utilización de la descomposición por serie de Fourier. Que se ejecuta en un ordenador.

¿Qué función de coste es la más indicada para problemas de clasificación binaria o múltiple pero con variables de salida en formato de números enteros?. Categorical Crossentropy. Ninguna de las anteriores. Sparse Categorical Crossentropy. Binary Crossentropy.

¿Cuándo es necesario utilizar la capa Flatten en un modelo de DNN?. Si estamos en un problema de detección de anomalías. Cuando los datos de entrada no son un array de una dimensión. Cuando las variables de entrada no son números enteros. Si la siguiente capa es de tipo Flubber.

En un problema de clasificación binaria, qué función de activación se suele utilizar en la capa de salida?. Adam. MSE. Relu. Sigmoid.

¿Cómo se llama la técnica que nos permite encontrar o identificar el mínimo de la función de coste en una iteración del entrenamiento?. Aislamiento del mínimo. Derivada multivarianza. Retorno del jedi. Descenso del gradiente.

¿Qué clase utilizamos para crear una red neuronal simple?. Network. Ninguna de las anteriores. Layer. Dense.

¿Qué función de coste es la más indicada para problemas de clasificación binaria?. Ninguna de las anteriores. Categorical Crossentropy. Sparse Categorical Crossentropy. Binary Crossentropy.

¿Qué método permite configurar parámetros para el entrenamiento?. layer(). compile(). Ninguna de las anteriores. training().

El optimizador Adam presenta un mejor comportamiento general y se recomienda utilizarlo en tus primeros entrenamientos. Verdadero. Falso.

¿Que representa el parámetro epochs, en el método fit()?. El número de capas del modelo. El número de neuronas del modelo. El número de iteraciones de ejecución del optimizador. El número de muestras en que dividimos el dataset.

¿Qué tipo de valor del ratio de aprendizaje puede provocar inestabilidad en el entrenamiento de un modelo?. Es igual al ratio de error. Es de tipo asíncrono. Es demasiado bajo. Es demasiado alto.

La función de activación se aplica sobre el resultado del cálculo lineal en el perceptrón ¿Verdadero o Falso?. Verdadero. Falso.

El número de neuronas que debe tener cada capa viene perfectamente determinado por una tabla que se puede consultar en la documentación de Keras. ¿Verdadero o Falso?. Verdadero. Falso.

¿Qué parámetro clave debemos pasarle a una capa Dense obligatoriamente?. Weghts, el valor de partida para los coeficientes. y, el vector de los datos de salida. Units, el número de perceptrones o neuronas de la red. X, el vector de los datos de entrada.

En un problema de clasificación binaria, ¿cuántas neuronas o perceptrones debe tener la capa de salida?. Ninguna. Diez. Dos. Una.

Las funciones de activación permiten resolver problemas no lineales aplicando cálculos lineales, gracias al encendido o apagado de distintos perceptrones. Verdadero. Falso.

¿Qué representa la función de coste o Loss?. El valor estimado de la capacidad de cómputo necesaria para resolver el problema. El valor del coste en euros de ejecutar el modelo. El valor medio de las diferencias entre los valores de entrada al modelo. El valor medio del error entre las variables de salida del modelo y las etiquetas reales.

El objetivo del entrenamiento de una red neuronal profunda es encontrar el mínimo global de la función de coste o Loss. Verdadero. Falso.

¿Cuál sería el orden de las capas en un modelo de DNN (red neuronal profunda)?. Capa de entrada, capa de cálculo del error y una nueva capa de entrada. Capa de entrada, capa de salida y capas de visualización. Capa de entrada, capas internas y capa de salida. Ninguna de las anteriores.

La función de activación Relu se suele utilizar siempre en las capas internas de un modelo basado en redes neuronales profundas. Verdadero. Falso.

¿Qué valores van variando a medida que se va dando el entrenamiento y su configuración en cada iteración nos van dando un valor concreto de Loss?. Los valores de y. Los valores de las potencias de X. Los valores de X. Los coeficientes w o “pesos” del modelo.