PIA06 - Programación de Inteligencia Artificial 2026

¿Cómo se aplica la normalización por lotes a un modelo de deep learning?. Se añade una capa de la clase BatchNormalization tras una capa Dense o Conv2D. Se añade un parámetro más al método compile batchnorm. Se lanza la función batchN aplicada al modelo tras el entrenamiento. Ninguna.

¿Cuál es la forma más básica de detectar el overfitting?. Mirar el número de segundos que ha durado el entrenamiento y multiplicarlos por 5. Mirar si se enciende una luz verde en la esquina superior del ordenador durante el entrenamiento. Aplicar el método evaluate al modelo utilizando los datos de test reservados. Ninguna de las anteriores.

¿Cómo se aplica la técnica de dropout en Keras?. Se añade una capa de la clase Dropout después de una de tipo Dense. Se incluye el parámetro dropout. True en el método compile. Se llama a la extensión Apply_Dropout al principio del código del notebook. No hace falta hacer nada, se aplica por defecto.

¿En qué consiste la técnica de prevención del overfitting conocida como dropout?. En deshacerse de la salida de algunas neuronas al azar en cada capa antes de que entren en la siguiente. En doblar la red varias veces para quedarnos con una sola capa. En multiplicar por 2 las salidas de varias neuronas al azar. Ninguna de las anteriores.

¿Cuál es el objetivo de la regularización en el entrenamiento de una red neuronal profunda?. Simplificar o aligerar el modelo, limitando su inercia. Hacer que el entrenamiento sea más rápido. Filtrar las anomalías. Ninguna de las anteriores.

¿Qué herramienta de TensorBoard es de utilidad a la hora de aplicar optimización de hiperparámetros en un entrenamiento de deep learning?. Optiparams. NeuroBoard. Hparams. Ninguna de las anteriores.

¿En qué rango de valores suele estar el dropout rate?. Entre 0 y 100. Entre 0,1 y 0,2. Entre 0,2 y 0,5. Entre 10 y 50.

El dropout rate es un parámetro de la clase Dropout. ¿Verdadero o Falso?. Verdadero. Falso.

¿Cómo se llama la técnica que limita el valor de los coeficientes de una red neuronal profunda para evitar el overfitting?. Trasposición. Regularización. Planificación. Rutarización.

Para iniciar la visualización con TensorBoard, se lanza con la función mágica %tensorboard. ¿Verdadero o Falso?. Verdadero. Falso.

El dropout rate es la fracción de variables que quedan sin anular en la capa de red neuronal a la que se aplica el dropout. ¿Verdadero o Falso?. Verdadero. Falso.

¿Cuál de estas funcionalidades es característica de Tensorboard?. Monitorizar de forma visual las métricas del entrenamiento. Representación del modelo de tipo grafo. Histogramas de los coeficientes del modelo. Todas las anteriores.

¿Para qué sirve la técnica de Batch Normalization o normalización por lotes?. Para filtrar mejor las anomalías. Para mejorar la convergencia del gradiente. Para depurar los errores del modelo. Ninguna de las anteriores.

Si iniciamos TensorBoard antes del entrenamiento, lo podremos monitorizar mientras éste va transcurriendo. ¿Verdadero o Falso?. Verdadero. Falso.

¿Es bueno, para evitar el overfitting en el deep learning, empezar por el modelo más reducido posible y luego ir aumentando capas o neuronas si es necesario?. No, lo mejor es empezar por una red con muchas capas y muchas neuronas. No, da igual. Sí, cuanto más pequeño el modelo, menos error acumula. Sí, un modelo muy reducido tiene menos tendencia a “almacenar” información muy específica del entrenamiento.

Una de las mejores formas de prevenir el overfitting es contar con una gran cantidad de datos, para minimizar el efecto de las anomalías y que el modelo sea lo más general posible. ¿Verdadero o Falso?. Verdadero. Falso.

TensorBoard permite visualizar las métricas de Loss y accuracy tras el entrenamiento pero también durante el mismo. ¿Verdadero o Falso?. Verdadero. Falso.

¿Qué técnica nos permite monitorizar el posible overfitting en un entrenamiento con Keras?. Reservar datos de validación del dataset y utilizarlos en fit, como parámetro “validation_data”. Aumentar mucho el número de epochs. Cambiar los datos de entrenamiento y los de test en cada epoch alternativamente. Ninguna de las anteriores.

El “overfitting” se da en un modelo de deep learning cuando los pesos de la red neuronal han llegado al mejor valor posible y aciertan siempre al 100%. ¿Verdadero o Falso?. Verdadero. Falso.

La técnica del dropout se basa en la sincronización y correlación de los pesos de la red neuronal para fortalecer el patrón entre ellos. ¿Verdadero o Falso?. Verdadero. Falso.

¿Para qué se suele hacer la división train-test de los datos en un entrenamiento de un modelo de deep learning?. Se utilizan los datos “train” en el entrenamiento y los datos “test” para la evaluación. Se usa solo parte de los datos para no tener que hacer muchos cálculos. Se dividen para probar dos modelos diferentes y quedarnos con el mejor. Ninguna de las anteriores.

En un entrenamiento con regularización, el Loss de validación permanece estable o mucho más bajo frente al de entrenamiento. ¿Verdadero o Falso?. Verdadero. Falso.

¿Cómo se llama el kit de herramientas de visualización de parámetros de entrenamiento de modelos de deep learning lanzado por Tensorflow?. VisualFlow. TensorPanel. TensorBoard. PanelFlow.

Para cargar la extensión de TensorBoard en un notebook se hace con la orden %load_ext tensorboard. ¿Verdadero o Falso?. Verdadero. Falso.

¿Cómo se identifican las dos técnicas de regularización más comunes en Keras?. R1 y R2. U1 y U2. L1 y L2. Todas las anteriores.

¿Qué función sirve para comprobar la precisión real de un modelo de deep learning en Keras?. precission(). monitoring(). evaluate(). comprobar().

¿Cuál de éstas es la técnica más utilizada y efectiva para prevenir el overfitting en un entrenamiento de red neuronal profunda?. Droping. Drawning. Dorop. Dropout.

¿Cómo se llama el efecto debido a un exceso de particularización de los coeficientes del modelo de deep learning durante el entrenamiento?. Dispersión. Difracción. Entonación. Overfitting o sobre-entrenamiento.

Aplicando la técnica de dropout, el loss de los datos de validación mejora se suele mantener en valores más bajos que en el caso de aplicar regularización a un modelo de deep learning. ¿Verdadero o Falso?. Verdadero. Falso.

Lo normal, en el entrenamiento de una red neuronal profunda, es que la precisión obtenida en el entrenamiento sea menor de la que tendremos con nuevos datos. ¿Verdadero o Falso?. Verdadero. Falso.

Para saber cómo de bueno es nuestro modelo, nos fijamos en la precisión (accuracy) del entrenamiento y nos quedamos con el valor más alto que se haya alcanzado. Verdadero. Falso.

¿Cuál de estas características de un problema de aprendizaje automático contribuye a evitar el "overfitting"?. Tener una gran cantidad de datos. Tener un hardware muy potente. Que los datos sean números enteros.

El dropout es un parámetro que metemos dentro de la función Dense, después del parámetro "activation". ¿Verdadero o Falso?. Verdadero. Falso.

¿Dónde suele ir la capa de BatchNormalization dentro del modelo de aprendizaje automático?. Antes de la capa Flatten. Detrás de una capa convolucional o neuronal. Es la capa de entrada del modelo. No se posiciona en ninguna parte, es una función de optimización en sí misma.