Programacion de IA

¿Qué permite la computación distribuida en el entrenamiento de modelos de deep learning?. Aumentar el tiempo de entrenamiento. Reducir significativamente los tiempos de entrenamiento. No afecta el tiempo de entrenamiento.

¿Cuál es la función principal de frameworks como TensorFlow y PyTorch en la computación distribuida?. Limitar el número de nodos utilizables. Soportar entrenamiento distribuido. Realizar cálculos secuenciales.

¿Qué facilita la gestión de cálculos en infraestructuras a gran escala con herramientas como Apache Spark o Horovod?. La computación paralela limitada. La gestión de clústeres y recursos. El desarrollo de interfaces gráficas.

¿Cuál es una de las importancias clave de la computación distribuida para la IA?. Hace posible trabajar con big data y modelos de gran complejidad. Aumenta la complejidad de los modelos. Reduce la necesidad de datos.

¿Qué característica debe tener un lenguaje de programación para IA en cuanto a cómputo?. Debe ser solo secuencial. Debe estar preparado para paralelización y cómputo distribuido. Debe evitar cualquier tipo de paralelización.

¿Por qué las herramientas de desarrollo son esenciales en un proyecto de IA?. Solo para la fase de prototipado. Para aumentar la productividad y reducir errores en el ciclo de vida del proyecto. Son opcionales si se tienen librerías potentes.

¿Qué tipos de herramientas se incluyen dentro de los entornos de desarrollo para IA?. Solo editores de texto. IDEs, notebooks interactivos, herramientas de depuración y plataformas de despliegue. Solo plataformas de despliegue.

¿Qué ventaja ofrecen los IDEs como PyCharm o Visual Studio Code en proyectos de IA a gran escala?. Simplifican la escritura de código básico. Ofrecen un conjunto completo de funcionalidades para proyectos grandes y colaboración. Son solo para aprendizaje.

¿Para qué son ideales los notebooks interactivos como Jupyter o Colab en las fases tempranas de un proyecto de IA?. Para el desarrollo estructurado de aplicaciones completas. Para la enseñanza, investigación y análisis de datos. Para la optimización de rendimiento.

Comparando PyCharm y Visual Studio Code, ¿cuál es una diferencia clave en su enfoque?. PyCharm es ligero y extensible, VS Code es completo y específico para Python. PyCharm es completo y específico para Python, VS Code es ligero y extensible. Ambos son idénticos en enfoque.

¿Qué característica destaca a Visual Studio Code en cuanto a recursos?. Es más pesado y consume más memoria. Es más ligero y rápido, funcionando bien en ordenadores con menos recursos. Requiere hardware de alta gama.

¿Cuál es una ventaja de PyCharm en cuanto a funcionalidades integradas?. Requiere la instalación de extensiones para depuración avanzada. Incluye de serie depuración avanzada, testeo e integración con entornos virtuales. Solo ofrece funcionalidades básicas.

La alta extensibilidad de VS Code se debe principalmente a: Su diseño cerrado. La gran cantidad de extensiones disponibles. La limitación de lenguajes soportados.

¿Qué hace que PyCharm sea potencialmente más complejo al principio para algunos usuarios?. Su interfaz minimalista. La inclusión de muchas opciones y configuraciones avanzadas. La falta de documentación.

¿Cuál es la principal ventaja de Google Colab en términos de instalación y acceso?. Requiere una instalación local compleja. No requiere instalación y se accede desde el navegador. Solo funciona offline.

¿Qué recursos ofrece Google Colab gratuitamente?. Solo CPU. CPU, GPU y TPU (con limitaciones). Recursos ilimitados de hardware.

¿Cómo facilita Google Colab el trabajo con archivos?. Solo trabaja con archivos locales. Se integra con Google Drive para guardar y cargar datasets en la nube. Requiere conexión a servidores remotos.

¿Qué característica de Google Colab lo hace ideal para la colaboración?. Colaboración limitada, solo se comparten archivos. Permite compartir notebooks como documentos de Google Docs con edición colaborativa en tiempo real. Requiere que todos los usuarios instalen el mismo software.

¿Cuál es una limitación de Google Colab en cuanto a personalización?. Es muy fácil de personalizar. Está más limitado, ya que no se puede personalizar demasiado el entorno ni instalar extensiones avanzadas. Permite instalar cualquier tipo de extensión.

¿Para qué tipo de usuarios son especialmente ideales los notebooks interactivos como Jupyter Notebook?. Principiantes que necesitan configuración mínima. Usuarios avanzados que necesitan controlar su entorno local. Usuarios que solo trabajan en la nube.

¿Por qué el soporte y la comunidad son factores decisivos en la adopción de un lenguaje de programación para IA?. Solo aseguran la disponibilidad de librerías. Aseguran la actualización constante, proporcionan documentación y facilitan la resolución de problemas. Son irrelevantes si el lenguaje tiene buenas características técnicas.

¿Cuál es un beneficio de tener una comunidad amplia y activa para un lenguaje de IA?. Ralentiza la incorporación de avances. Asegura la actualización constante de librerías y frameworks. Limita la disponibilidad de documentación.

¿Qué proporciona una comunidad activa además de documentación y tutoriales?. Solo foros de discusión. Foros de discusión, repositorios en GitHub y resolución colaborativa de problemas. Solo repositorios en GitHub.

¿Por qué Python es un ejemplo destacado de lenguaje con soporte excepcional en IA?. Debido a su comunidad pequeña y poco activa. Por su comunidad global activa que contribuye al desarrollo de librerías y mejora de las existentes. Debido a la escasez de librerías especializadas.

¿Qué plataformas concentran millones de usuarios que intercambian soluciones y buenas prácticas en el ecosistema de Python?. Solo foros oficiales de Python. Stack Overflow, GitHub y foros de frameworks. Solo páginas de documentación.

¿En qué se enfoca principalmente la comunidad de R?. Desarrollo de videojuegos. Estadística, análisis de datos y visualización. Desarrollo de sistemas operativos.

¿En qué se especializa la comunidad de Java en el contexto de la IA?. Investigación académica. Entornos empresariales y sistemas de producción. Desarrollo de hardware.

¿Por qué la comunidad de C++ tiene un enfoque técnico específico?. Por su simplicidad. Por el enfoque en rendimiento y desarrollo de librerías de bajo nivel. Por su uso generalizado en redes sociales.

¿Qué son los repositorios open source con contribuciones frecuentes en IA?. Proyectos cerrados y limitados a un equipo. Proyectos de código abierto donde investigadores y desarrolladores colaboran para mejorar librerías y frameworks. Plataformas exclusivas para empresas.

¿Qué garantiza la existencia de repositorios open source activos?. Que el software se volverá obsoleto rápidamente. Que el software evoluciona constantemente, corrigiendo errores e incorporando nuevas funcionalidades. Que solo unos pocos pueden contribuir.

¿Qué ejemplos de proyectos de IA se alojan comúnmente en GitHub y cuentan con miles de colaboradores?. Proyectos propietarios y cerrados. TensorFlow, PyTorch, Scikit-learn, spaCy y Hugging Face Transformers. Solo herramientas de ofimática.

¿Qué ofrece un repositorio open source además del código fuente?. Solo documentación. Documentación, ejemplos prácticos y foros de discusión. Solo ejemplos prácticos.

¿Qué indica la frecuencia de contribuciones en un repositorio open source?. Que el proyecto está abandonado. La salud del proyecto y la confianza en su mantenimiento. Que solo un desarrollador trabaja en él.

¿Qué ventaja clave se obtiene al usar repositorios open source activos en IA?. Democratizan el acceso a herramientas de vanguardia y fomentan la colaboración. Crean barreras de entrada para nuevos desarrolladores. Limitan la evolución del ecosistema.

¿Cuál es el propósito del repositorio 'tensorflow/tensorflow'?. Ser un framework solo para visualización. Ser el repositorio oficial de TensorFlow, una plataforma completa de machine learning. Ser un editor de texto simple.

¿Qué implementa el repositorio 'huggingface/transformers'?. Algoritmos básicos de estadística. Modelos basados en la arquitectura Transformer para NLP, visión y multimodalidad. Herramientas de gestión de bases de datos.

¿Cuál es la función del framework Keras (repositorio 'keras-team/keras')?. Desarrollo de aplicaciones web. Ser un framework de propósito general para deep learning, compatible con múltiples backends. Gestión de redes sociales.

¿Qué contiene el repositorio 'google-research/bert'?. El código fuente de Python. El código original del modelo BERT, preentrenamientos y ejemplos para NLP. Tutoriales de JavaScript.

¿Para qué está especializada la biblioteca 'huggingface/trl'?. Para la visualización de datos. Para técnicas de fine-tuning con refuerzo en modelos de lenguaje. Para la optimización de bases de datos.

¿Qué objetivo tiene el repositorio 'Oxnavarro / IA-PARA-TODOS'?. Proporcionar recursos solo en inglés. Hacer la inteligencia artificial accesible para la comunidad hispanohablante con recursos en español. Desarrollar software para empresas exclusivamente.

¿Qué tipo de modelos de lenguaje entrena el repositorio 'PlanTL-GOB-ES / lm-spanish'?. Modelos entrenados en inglés. Modelos de lenguaje basados en Transformers entrenados sobre corpus en español. Modelos para desarrollo de hardware.

¿Qué busca el proyecto 'ia-espana / humanizador-de-ia'?. Ajustar textos generados por IA para imitar mejor el estilo humano. Traducir textos de español a inglés. Crear modelos de IA desde cero.

¿Qué ofrece el repositorio 'somosnlp/nlp-de-cero-a-cien'?. Solo material avanzado de NLP. Un curso práctico de procesamiento de lenguaje natural en español. Herramientas de visualización de datos.

¿Cuál es la función principal del repositorio 'Páginas de Inteligencia Artificial (IA)'?. Desarrollar algoritmos de IA. Recopilar recursos, herramientas y sitios web de IA en español. Ofrecer un entorno de desarrollo integrado.

¿Por qué la elección del lenguaje de programación es fundamental en IA?. No influye en el proyecto. Determina la facilidad de implementación, el rendimiento y la disponibilidad de herramientas especializadas. Solo afecta la estética del código.

¿Qué criterios se suelen tener en cuenta al seleccionar un lenguaje para IA?. Solo la popularidad en redes sociales. Rendimiento, facilidad de uso, ecosistema de librerías y comunidad. Solo el color de la sintaxis.

¿Por qué el rendimiento es un criterio importante en la elección del lenguaje de IA?. Influye en la velocidad de procesamiento y manejo de grandes volúmenes de datos. Solo afecta la presentación de resultados. No tiene impacto en proyectos de IA.

¿Qué se valora en la facilidad de uso de un lenguaje de IA?. La complejidad de la sintaxis. La curva de aprendizaje y la accesibilidad, especialmente en entornos educativos o de investigación. La necesidad de hardware especializado.

¿Por qué el ecosistema de librerías y frameworks es importante en IA?. Proporciona funciones predefinidas para tareas comunes como machine learning y NLP. Solo incluye librerías para desarrollo web. Limita las capacidades del lenguaje.

¿Qué beneficio aporta una comunidad amplia de desarrolladores para un lenguaje de IA?. Soporte limitado y poca documentación. Soporte constante, documentación abundante y soluciones compartidas. Desarrollo lento y estancado.

¿Por qué la interoperabilidad es un criterio importante en la elección de un lenguaje para IA?. Permite la combinación con otras tecnologías, algo habitual en sistemas complejos de IA. Aísla el lenguaje del resto de tecnologías. Solo es relevante para la interfaz gráfica.

En un proyecto de predicción de precios de viviendas, ¿qué lenguaje se considera más adecuado y por qué?. Java, por su robustez empresarial. Python, por su facilidad de uso y librerías especializadas como Pandas y Scikit-learn. C++, por su velocidad de ejecución pura.

Para un sistema de recomendación en una aplicación bancaria empresarial, ¿qué lenguaje sería más apropiado y por qué?. Python, por su flexibilidad. Java, por su robustez, rendimiento y capacidad de integración en entornos corporativos. R, por su enfoque estadístico.

¿Cuál es la principal razón del liderazgo de Python en el ámbito de la IA?. Es el lenguaje más rápido en ejecución. Su sintaxis clara, versatilidad y extenso ecosistema de librerías científicas y de machine learning. Solo funciona en sistemas operativos específicos.

¿Qué simplifica el ecosistema de librerías y frameworks de Python en IA?. Solo la creación de interfaces gráficas. Tareas complejas como el manejo de datos, la creación de modelos y el entrenamiento de redes neuronales. La gestión de bases de datos.

¿Qué estructura de datos optimizada ofrece NumPy?. Listas tradicionales. El array multidimensional (ndarray). Tablas SQL.

¿Qué facilita Pandas en el análisis de datos?. Solo la visualización de gráficos. La manipulación, limpieza y análisis de grandes volúmenes de datos tabulares. La creación de aplicaciones web.

¿Cuál es la función de Scikit-learn en el ecosistema de Python para IA?. Entrenamiento de redes neuronales profundas. Herramientas para aprendizaje automático tradicional (clasificación, regresión, clustering). Gestión de bases de datos distribuidas.

¿Qué destaca a TensorFlow como framework de deep learning?. Su modelo de ejecución dinámica. Su arquitectura modular que facilita el despliegue y la optimización del cálculo en CPU, GPU y TPU. Su enfoque exclusivo en análisis estadístico.

¿Qué característica diferencia a PyTorch de TensorFlow en su modelo de ejecución?. PyTorch utiliza ejecución estática, TensorFlow dinámica. PyTorch utiliza un modelo de ejecución dinámica, ideal para investigación. Ambos utilizan el mismo modelo de ejecución.

¿Qué simplifica Keras como biblioteca de alto nivel?. La creación, configuración y entrenamiento de modelos de deep learning. La gestión de sistemas operativos. El desarrollo de videojuegos.

¿Cuál es una ventaja de Python en IA relacionada con la colaboración?. Su sintaxis compleja dificulta la colaboración. Su sintaxis clara facilita el aprendizaje y la colaboración entre equipos multidisciplinares. No está diseñado para la colaboración.

¿Qué limita la velocidad de ejecución de Python en comparación con lenguajes compilados?. Su tipado estático. Ser un lenguaje interpretado. La falta de librerías.

¿Qué puede generar la coexistencia de múltiples versiones de librerías en Python?. Mayor compatibilidad. Incompatibilidades y conflictos en los entornos de desarrollo. Mejor rendimiento.

¿Para qué está diseñado principalmente el lenguaje R?. Desarrollo de sistemas operativos. Alrededor del método estadístico, facilitando limpieza, exploración y modelización de datos. Creación de videojuegos.

¿En qué tipo de problemas tabulares es especialmente adecuado R?. Problemas con fuerte componente estadístico y análisis reglados que deben ser auditables. Problemas que requieren redes neuronales profundas. Desarrollo de aplicaciones web.

¿Qué librería de R orquesta pipelines de ML con una API unificada?. ggplot2. caret. tidyverse.

¿Qué permite ggplot2 en R?. Solo la manipulación de datos. Construir visualizaciones complejas de forma declarativa. Entrenar modelos de deep learning.

¿Qué permite la librería 'reticulate' en R?. Solo ejecutar código R. Cargar entornos de Python y llamar a sus funciones/librerías. Crear bases de datos.

¿Qué permite la librería 'plumber' en R?. Solo crear visualizaciones. Exponer modelos o funciones R como APIs REST. Gestionar el entrenamiento de modelos.

¿Qué tarea realiza la librería 'arrow' en R?. Creación de gráficos interactivos. Interoperar con Parquet/Feather y compartir datos a alta velocidad con otros entornos. Optimización de código C++.

¿Qué framework de la JVM está orientado específicamente a deep learning?. Weka. Deeplearning4j (DL4J). MOA.

¿Cuál es una ventaja clave de Java en IA para producción empresarial?. Facilidad para prototipos rápidos. Estabilidad operativa, integración con sistemas existentes y escalado sostenido. Curva de aprendizaje muy baja.

¿Qué biblioteca clásica de machine learning se menciona para Java?. Deeplearning4j. Weka. MOA.

¿Qué especializa a MOA (Massive Online Analysis)?. Procesamiento de imágenes. Data streams, aprendizaje incremental y evaluación continua. Desarrollo de interfaces gráficas.

¿Qué ventaja de Java se relaciona con su portabilidad?. Requiere recompilación para cada sistema operativo. El bytecode sobre la JVM garantiza que el mismo servicio de inferencia funcione consistentemente en distintos sistemas. Solo funciona en Windows.

¿Qué contribuye al rendimiento de Java en IA?. Su naturaleza interpretada. JIT/HotSpot, garbage collectors modernos y la integración con bibliotecas nativas (JNI). La ausencia de optimización de memoria.

¿Qué hace que el ecosistema de Java sea robusto?. La falta de herramientas de testing. Un ecosistema sólido de pruebas (JUnit), observability y seguridad. Solo soporta lenguajes de scripting.

¿Para qué se emplea JavaScript + Node.js en IA ('de extremo a extremo')?. Solo para backend. En el navegador para experiencias interactivas y en Node.js para servicios backend. Solo para análisis estadístico.

¿Qué permite TensorFlow.js en el navegador?. Solo mostrar resultados. Inferencia directamente en el navegador con aceleración WebGL/WebGPU. Entrenamiento de modelos a gran escala.

¿Qué destaca a Node.js para construir microservicios de inferencia?. Su modelo secuencial. Su modelo asíncrono y el enorme ecosistema NPM. La limitación de APIs.

¿Qué tipo de arquitecturas habilita la combinación JavaScript + Node.js?. Arquitecturas donde el preprocesado y visualización se ejecutan en JS (front) y la orquestación en Node.js (backend). Arquitecturas monolíticas. Arquitecturas que solo usan C++.

¿Para qué es especialmente eficaz JavaScript + Node.js en IA?. Solo para entrenamiento intensivo. Para prototipos rápidos, experiencias interactivas y serving/integración en productos web. Solo para análisis de datos offline.

¿Cuál es una limitación de JavaScript/Node.js para entrenamiento intensivo o cómputo numérico pesado?. Supera a Python y C++ en estas tareas. No compite con Python/C++ y suele recurrir a modelos preentrenados o servicios externos. No tiene limitaciones.

¿Qué se entiende por JSON en el contexto de la IA?. Un lenguaje de programación para IA. Un formato de datos que estandariza contratos entre componentes. Un framework de deep learning.

¿Cuál es el papel de JSON en un sistema de IA?. Ejecutar cálculos complejos. Definir contratos claros para configuraciones, datos y predicciones, permitiendo fiabilidad y auditabilidad. Crear interfaces gráficas.

¿Cómo viaja JSON en un pipeline típico de IA?. Solo a través de archivos locales. Por HTTP, colas/eventos (Kafka) y serverless. Solo a través de FTP.

¿Qué buena práctica se recomienda para las fechas en JSON?. Formato libre. ISO-8601 con Z o offset. Solo formato de día/mes/año.

¿Por qué se recomienda evitar binarios en crudo en JSON?. Porque son más fáciles de leer. Se recomienda usar base64 o URLs firmadas para mantener la legibilidad y seguridad. Los binarios no son compatibles con JSON.

¿Para qué es ideal JSON en la representación de modelos, datasets y resultados?. Para el código fuente de los modelos. Para metadatos, esquemas y predicciones. Para el entrenamiento distribuido.

¿Qué es un lenguaje de marcado?. Un lenguaje para realizar cálculos matemáticos. Un sistema que utiliza etiquetas para estructurar y describir el contenido de un documento. Un lenguaje para controlar procesos de hardware.

¿Cuál es la finalidad de las etiquetas en un lenguaje de marcado?. Realizar cálculos y controlar procesos. Indicar la función o el significado de los distintos elementos de la información. Crear interfaces gráficas de usuario.

¿Cómo se define una etiqueta en un lenguaje de marcado?. Como un comando de ejecución. Encerrada entre los signos menor < y mayor >. Como una función matemática.

¿Qué diferencia existe entre una etiqueta de apertura y una de cierre?. La etiqueta de cierre tiene un asterisco al final. La etiqueta de cierre está precedida por una barra inclinada /. No hay diferencia, son idénticas.

¿Qué son las etiquetas vacías o autocontenidas?. Etiquetas que contienen texto largo. Etiquetas que no necesitan etiqueta de cierre porque no tienen contenido interno. Etiquetas que solo pueden usarse una vez.

¿Qué es el anidamiento de etiquetas?. Cuando dos etiquetas se colocan una al lado de la otra. Cuando una etiqueta contiene a otra dentro de sí misma, formando una estructura jerárquica. Cuando se eliminan etiquetas innecesarias.

¿Qué parte de un documento HTML contiene información no visible directamente, como el título de la página?. El cuerpo (<body>). La cabecera (<head>). Las etiquetas vacías.

¿Qué función semántica aporta una etiqueta como `<h1>` en HTML?. Define un párrafo de texto. Marca un encabezado principal. Inserta una imagen.

¿Qué permite la función semántica de las etiquetas de marcado?. Ejecutar código de programación. Que navegadores, motores de búsqueda y aplicaciones interpreten correctamente los datos. Realizar cálculos matemáticos.

¿Qué son los atributos en las etiquetas de marcado?. Etiquetas que indican el final de un elemento. Información adicional que especifica propiedades del elemento. Contenido dentro de una etiqueta.

¿Cómo se asegura una estructura válida al usar etiquetas anidadas?. Cerrando las etiquetas en cualquier orden. Cerrando las etiquetas en el orden inverso al que se abrieron. Usando solo etiquetas vacías.