Recopilación SI

¿Quién dijo "Las máquinas sólo pueden hacer todo aquello que sepamos como ordenarle que hagan. Su misión es ayudar y facilitar lo ya conocido"?. a - Loew. b - Ada Lovelace. c - Camilo Golgi. d - Ramón y Cajal.

¿Quién de los siguientes NO fue un precursor de las bases biológicas de los sistemas conexionistas?. a - Camilo Golgi. b - Ramón y Cajal. c - Williams. d - Ada Lovelace.

¿Quién postula "la teoría de la neurona"?. a - Ramón y Cajal. b - Camilo Golgi. c - Pavlov. d - McCulloch.

Según Cajal ¿a qué se debe la superioridad del SN de los humanos?. a - A la rapidez de sus neuronas. b - A su pequeño tamaño. c - A la abundancia de neuronas de axón corto. d - Al tamaño de su materia Gris.

¿Quién dijo "el artificio soberano de la sustancia gris es tan intrincado que desafía y desafiará por muchos siglos la obstinada curiosidad de los investigadores"?. a - Camilo Golgi. b - Pavlov. c - Ramón y Cajal. d - Ninguno de los Anteriores.

¿Qué otro nombre recibe la "Regla de aprendizaje Sinaptico"?. a - Regla de Barrow. b - Regla de Hebb. c - Regla Básica. d - Regla de aprendizaje Adaptativa.

¿En que consiste la "regla de Hebb"?. a - Reforzar las vías que se usan. b - Penalizar las vías que se usan. c - Ignorar las vías más usadas. d - Ninguna de las Anteriores.

¿Quién desarrolló el ADALINE?. a - Widrow. b - Hoff. c - Los dos anteriores. d - Ninguna de las anteriores.

¿Qué libro inició el declive de las Redes de neuronas artificiales?. a - Perceptrons. b - Adalines. c - Madalines. d - Todos los anteriores.

¿Quién de los siguientes fue un impulsor en el resurgir de las redes de neuronas artificiales?. a - Anderson. b - Widrow. c - Minsky. d - Rosenblatt.

Indique cuál de las siguientes NO es una causa de que las RNA sean actualmente un gran campo de interés. a - Habilidad de aprender automáticamente. b - Habilidad para funcionar aceptablemente con datos inexactos. c - Interés por la búsqueda de arquitecturas que permitan el procesamiento en paralelo. d - Su simpleza.

¿Qué trabajo NO propició en nacimiento de las RNA?. a - "informe Lighthill". b - "behaviour, purpose and teleology". c - "The nature of explanation". d - "A logical calculus of the ideas inmanent in nervous activity".

¿Quién es el padre de las computadoras actuales basadas en lógica booleana?. a - Von Neumman. b - Ramón y Cajal. c - McCulloch. d - Crack.

¿Quién fue el creador de Collosus?. a - Un griego. b - Von Neumman. c - Turing. d - Ninguno de los anteriores.

¿Cuál de estos nombres no se corresponde con el de uno de los padres indiscutibles de la ciencia de la computación?. a - Von Neumann. b - Ramón y Cajal. c - Turing. d - Wiener.

¿A quién se le atribuye "el juego de la imitación", considerado el intento más serio de definir formalmente la inteligencia?. a - Turing. b - McCulloch. c - Hebb. d - Ramón y Cajal.

¿Cuál de las siguientes no se corresponde con una de las características que, según Schank, presentan los seres integrantes?. a - Comunicación. b - Conocimiento del entorno. c - Inferencia y Razonamiento. d - Investigación.

¿En que época histórica situamos a Ramón Jul y su "Ars Magna"?. a - Edad Antigua. b - Edad Media. c - Edad Moderna. d - Edad Contemporánea.

¿Quién fue el primero en describir la neurona?. a - Ramón y Cajal. b - Ada Lovelace. c - Pavlov. d - Camilo Golgi.

¿Cuál de los siguientes nombres se corresponde con uno de los precursores computacionales de los sistemas conexionistas?. a - Hebb. b - Ramón y Cajal. c - Lashley. d - Sherrington.

¿Cuál de estas teorías no fue postulada por Cajal?. a - Teoría de la Polarización Dinámica. b - Teoría Neurotrópica. c - Teoría de la avalancha. d - Teoría de la neurona.

¿Cuál de los siguientes trabajos teóricos relacionarías con el nacimiento de las Redes de Neuronas Artificiales?. a - "Informe Ligthill". b - "The computer and the brain". c - "A Logical Calculus of the Ideas Inmanent in Nervous Activity". d - "Ninguno de los anteriores".

¿En cuál de los siguientes campos no ha habido intentos de simular facetas de los seres humanos a lo largo de la historia?. a - Aspecto físico. b - Aspecto intelectual. c - Aspecto metafísico. d - En todos los anteriores ha habido intentos.

¿Cuáles son, respectivamente, el título y el/los autor/es del "método lógico que ensaya exhaustiva y sistemáticamente todos los caminos permitidos hasta llegar a una solución (desde los principios elementales de un problema ensaya todas las posibles combinaciones)"?. a - "Teoría de la Neurona", Santiago Ramón y Cajal. b - "Ars Magna", Ramón Llul. c - "General Problem Solver", Ernst, Newell y Simon. d - "The computer and the Brain", Von Neuman.

¿Quién o quienes establecieron el régimen: "las máquinas sólo pueden hacer todo aquello que sepamos como ordenarle que haga. Su misión es ayudar a facilitar lo ya conocido"?. a - Santiago Ramón y Cajal. b - McCulloch y Pitts. c - Ada Lovelace. d - Zuse y Sreyers.

¿Quién o quienes son los autores del "General Problem Solver"?. a - Shaw, Newell y Simon. b - Blaise Pascal. c - Ramón Llul. d - Dylan, Simon y Garfunkel.

¿Quién postuló que: "el artificio soberano de la sustancia gris es tan intrincado que desafía y desafiará por muchos siglos la obstinada curiosidad de los investigadores"?. a - Lashley. b - Santiago Ramón y Cajal. c - Williams. d - Camilo Golgi.

El principio que reza que "una vía de neuronas es reforzada cada vez que dicha vía es usada" lleva por nombre: a - Regla de Aprendizaje Sicotrópico. b - Principio de autoasociación. c - Regla de Hebb. d - No existe tal principio.

¿Qué modelo de neurona artificial fue desarrollado por Widrow y Hoff?. a - Adaline. b - Perceptron. c - Cognitron. d - Neocognitron.

¿Cuál de las siguientes no es una propiedad de las RNAs?. a - Aprendizaje automático. b - Tolerancia a fallos y ruidos. c - Procesamiento en paralelo. d - Todas las anteriores son propiedades de las RNAs.

¿Quienes proponen en 1943 el modelo de neurona artificial que lleva su nombre?. a - Hebb y Rochester. b - Hebb y Von Neuman. c - Mc Culloch y Pitts. d - Mc Culloch y Cajal.

¿Quién postula en 1949 "una vía de neuronas es reforzada cada vez que dicha vía es usada"?. a - Hebb. b - Ramón y Cajal. c - Mc Culloch. d - Pitts.

¿Quienes proponen el modelo de neurona artificial seguido en clase?. a - McCulloch y Pits. b - Hebb y Rochester. c - Anderson y Grossberg. d - Camilo Golgi y Williams.

¿Quienes fueron los tres personajes que más han hecho por acercar a una explicación experimentas el misterio de la vida nerviosa?. a - Cajal, Mc Culloch y Pitts. b - Golgi, Cajal y Williams. c - Paulov, Sherrinton y Lashley. d - Cajal, Sherrinton y Paulov.

¿Quién desarrolla en 1959 el ADALINE?. a - Mc Culloch y Pitts. b - Hebb. c - Widrow y Hoff. d - Rosenblatt.

¿Cuál de estos trabajos teóricos, publicados en 1943, y de gran importancia en el nacimiento de las RNA, puso de manifiesto de qué modo las máquinas podrían emplear los conceptos de la lógica y de la abstracción, y demostró cómo cualquier ley de entrada salida podría modelizarse con una red de neuronas?. a - "Behavour, Propose and Teleology", de Rosenblueth, Wener y Bigelow. b - "The Nature of Explanation", de Crank. c - "A Logical Calculus of the idea Inmanent in Neurous Activity", de McCulloch y Pitts. d - "Perceptrons".

¿Qué es un modelo?. a - Una persona que cumple unas capacidades. b - Un medio para complicar un sistema conocido. c - La representación de un sistema determinado. d - Ninguna de las anteriores.

¿Qué objetivo tiene crear modelos cuando analizamos un sistema complejo?. a - Hacer una copia exacta del sistema complejo para analizarla. b - Poder analizarlo descomponiendolo en sistemas mas sencillos. c - Ninguna de las anteriores. d - La A y la B son ciertas.

¿Qué provoca el sobreentrenamiento?. a - Perdemos capacidad de generalización. b - Mejora el rendimiento de la RNA. c - Nada, es como si la red cesara de entrenar. d - Ninguna de las anteriores.

¿Cuál de los siguientes no es un factor principal a tener en cuenta a la hora de construir una RNA?. a - Tamaño de la red. b - Rapidez de la red. c - Funciones de los Eps. d - Todos son factores a tener en cuenta.

¿Cuál es el objetivo del proceso de entrenamiento de una RNA?. a - Que la RNA memorice los casos de entrenamiento. b - Que la RNA no aprenda. c - Que la RNA no sea capaz de generalizar. d - Que la RNA aprenda, generalice y no memorice los casos de entrenamiento.

La "ganancia" en el aprendizaje: a - Debe ser elevada al final para que aprenda rápido cuando se esté acercando a la convergencia. b - Es conveniente que sea variable en las distintas fases del entrenamiento. c - Debe ser pequeña para que no oscile a ambos lados del valor de convergencia adecuado. d - Debe ser elevado en todo caso.

¿Cuál de los siguientes casos es adecuado para la resolución con sistemas conexionistas?. a - Problemas no abordados eficientemente con otras técnicas. b - Necesidad de respuesta en tiempo real. c - Las dos anteriores. d - Ninguna de las anteriores.

¿Cuál de estas afirmaciones es falsa?. a - Un modelo permite resolver problemas científicos. b - Un modelo sirve para poner a prueba teorías. c - El lenguaje formal en el que se describe un modelo complica la posibilidad de discriminación entre diferentes conceptos. d - Un modelo sugiere nuevas relaciones y hace surgir dudas acerca de los sistemas modelizados.

Si hablamos de algoritmos de búsqueda en árboles: La búsqueda primero en anchura es óptima y completa siempre. La búsqueda de profundidad iterativa se debe usar en espacios de búsqueda en los que se conoce la profundidad de la solución. La búsqueda preferente en profundidad es óptima pero no es completa. Todas las anteriores son falsas.

La eficiencia de un algoritmo de búsqueda depende de los parámetros independientes del dominio de aplicación: La profundidad y el criterio de selección de estados. El factor de ramificación y el número de bucles. El factor de ramificación y la profundidad. El coste de expansión de los nodos y el formalismo de representación usado.

¿Qué utilidad NO tienen los demons?. a.Proporcionan uniones procedimentales entre frames. b.Posibilitan ejecutar rutinas externas. c.Desencadenan acciones concretas al ejecutarse. d.Permiten el control del razonamiento con frames.

En cuanto a tipos de reglas (falsa): El tipo IFALL equivale a una anidación AND de las cláusulas de la pregunta. El tipo IFSOME equivale a una búsqueda exhaustiva de las cláusulas OR de una misma regla. El tipo IFANY equivale a una búsqueda exhaustiva en las cláusulas OR de una misma regla.

Cualquier método débil de exploración del espacio de estados configura una búsqueda que será: a.Correcta, exacta y precisa. b.Heurística, simbólica y secuencial. c.En anchura, en profundidad, mixta. d.Optima, heurística y correcta. e.Generación y prueba, mejor nodo o ascensión a colinas.

En los métodos en anchura, las regiones del espacio de estados en las que todos los estados individuales tienen el mismo valor de la función heurística se llaman. a.Máximo locales. b.Mínimos locales. c.Mesetas. d.Crestas. e.Ninguna de las anteriores.

Las representaciones estructuradas en las que el conocimiento se representa como una colección estática de hechos, para cuya manipulación se define un conjunto genérico y restringido de procedimientos son. a. Métodos determinísticos. b. Métodos heurísticos. c. Métodos secuenciales. d.Métodos declarativos. e.Métodos procedimentales.

Los métodos procedimentales de representación del conocimiento. a.Exigen que las verdades del dominio se almacenen una sola vez. b.Obligan a incorporar nuevo conocimiento, sin modificar el ya existente. c.No explotan adecuadamente las capacidades inferenciales del sistema. d.No permiten trabajar con información de carácter probabilístico. e.Permiten explorar distintos modelos y técnicas de razonamiento.

Los sistemas inteligentes basados en reglas que operan sobre una base de hechos son mecanismos de emparejamiento que forman parte explicita de su arquitectura, se denominan. a.Sistemas de producción. b.Sistemas expertos. c.Sistemas basados en conocimiento. d.Sistemas infereciales. e.Sistemas heurísticos.

En los sistemas de producción la estructura que contiene toda la información de naturaleza estática necesaria para resolver un problema concreto se llama: a.Base de conocimientos. b.Base de hechos. c.Base de reglas. d.Memoria activa. e.Motor de inferencias.

En el procedimiento sistemático del razonamiento categórico. La solución a cualquier problema está en la función de conocimiento. Hay que manipular manifestaciones individuales. La solución es siempre única. La base lógica expandida contiene al conjunto de soluciones potenciales que son compatibles con el conocimiento. La base lógica contiene al conjunto de soluciones potenciales que son compatibles con el conocimiento.

La búsqueda A* NO ... Evalúa los nodos combinando las funciones g(n) y h(n), es decir, el coste real del mejor camino para alcanzar el nodo n y el coste estimado del camino menos costoso desde el nodo n a la meta. Basada en grafo es óptima si la heurística es admisible. Se comporta como anchura si g se incrementa en 1, h=0 y los nodos con igual f se ordenan de menos a más reciente. Se comporta como profundidad si g=0, h=0 y los nodos se ordenan de más a menos reciente.

Las funciones heurísticas... Tienen carácter numérico y si n es el nodo inicial, entonces h(n) = 0. Cuantas más restricciones tengamos en cuenta para su diseño, menos precisa será la heurística. Se consideran admisibles si nunca sobreestiman el coste real de alcanzar la meta. Si una heurística domina a otra (∀ n, h2(n) >= h1(n)), A* usando h2 expandirá más nodos que usando h1.

La palabra “FITNESS” en términos de un algoritmo genético es: No existe esta palabra en estos sistemas. Una forma o función de evaluación de los individuos en términos de conveniencia o adaptación. Una operación genética que cambia la composición de los descendientes. Una forma de crear una población de soluciones. Una técnica que permite evaluar la complejidad computacional de cada individuo de la población.

En una simulación de un Algoritmo Genético,. Al principio interesa que el ratio de mutación sea alto. Al principio interesa que el ratio de cruce sea alto. Los ratios de cruce y mutación deben ser iguales. El ratio de mutación puede ser cero. Dan igual los valores de cruce y mutación siempre que la selección sea por ruleta.

La técnica de Algoritmos Genéticos. No funciona bien cuando existen múltiples mínimos locales en el espacio de búsqueda. Permite resolver problemas de espacios de búsqueda donde existen múltiples mínimos locales. Presenta problemas cuando el espacio de búsqueda es poco convexo y muy variado. Es una técnica de búsqueda exhaustiva de soluciones denominada “técnica determinística”. Sólo permite realizar regresión simbólica y búsqueda de máximos o de mínimos en funciones en 1 o 2 variables.

Diferencias entre SOM y Growing Neural Gas (GNG) son: a. Las GNG no consideran neuronas vecinas a la ganadora. b. Un SOM considera un radio de vecindad de diferentes niveles. c. Las GNG consideran solamente vecinas directas de la ganadora. d. No hay diferencia en cuestión de vecindario, la diferencia está en la variación dinámica del nº de neuronas de la capa competitiva. e. B y C son correctas.

Una GCS. Está siempre orientada a la clasificación. Permite añadir neuronas en regiones con menos patrones de entrenamiento. Tiene una capa de salida formada por diferentes estructuras k-dimensionales básicas a la vez. No se entrena, sus pesos se construyen a partir de los patrones de entrada. Todas las anteriores son incorrectas.

Los mapas autoorganizativos (SOM) tienen... Una capa de entrada, una o dos capas ocultas y una capa de salida. Una única capa que es de entrada y salida. Una capa de entrada y una capa de salida. Una capa de neuronas recurrentes y autoorganizables. Todas las anteriores son incorrectas.

En el aprendizaje no supervisado.. a. Se consiguen grupos con elementos similares dentro del mismo grupo. b. La autoorganización de la red permite hallar las clases supervisadas. c. Se trabaja con patrones etiquetados con tipo o clase. d. Si un patrón de entrada no pertenece a ningún grupo reconocido previamente, se descarta siempre. e. La B y la C son correctas.

En un SOM... Cada neurona de la capa competitiva representa siempre a un solo patrón de entrada. Cada neurona de la capa competitiva puede representar a un grupo de patrones de entrada. Cada neurona de la capa de entrada representa a un prototipo. Cada neurona de la capa de entrada se conecta con x neuronas y estas x conexiones constituyen un prototipo. La A y la C son correctas.

Si los patrones de entrada tienen diferentes dimensiones, la red más aconsejable para agruparlos es.. Un SOM. Una GNG. Un ADALINE. Una GCS. Ninguna de las anteriores.

Una memoria autoasociativa se entrena mediante. Aprendizaje competitivo. Aprendizaje supervisado. Aprendizaje deductivo. No se entrena. Ninguna de las anteriores es correcta.

Los vectores de salida de una red de Hopfield.. Cambian en función del tiempo y forman parte de un sistema dinámico. Permiten determinar los patrones de entrada. La red de Hopfield solo tiene vectores de entrada. Permite determinar los pesos de la red. Constituyen siempre un estado estable.

Las redes de neuronas recurrentes son aquellas que... a. Usan varias técnicas recurrentes para construir un patrón. b. Permiten determinar los patrones de entrada de manera recurrente. c. Pueden tener conexiones hacia neurona de capas anteriores, misma capa o consigo mismas. d. La A y la B son correctas. e. Ninguna de las anteriores es correcta.

Las redes de neuronas con entrenamiento no supervisado... a. Tienen un fundamento biológico, se basan en la corteza cerebral. b. Se llaman así porque su supervisor no sabe supervisarlas. c. No son de utilidad actualmente. d. La B y la C son correctas. e. Ninguna de las anteriores es correcta.

En la búsqueda de coste uniforme: Cada operador aplicable siempre tendrá el mismo coste. Cualquier camino solución encontrado tendrá siempre el mismo coste. Cualquier camino solución encontrado tendrá siempre el mismo número de pasos. Cualquier camino solución encontrado tendrá siempre el mínimo número de pasos. Ninguna de las anteriores.

En el algoritmo de profundidad iterativa se cumple que la cantidad de nodos hoja en la iteración <i= es siempre mayor que la suma acumulada de todos los nodos generados previamente en las <i-1= iteraciones anteriores: Cierto. Dependerá del número de iteraciones <i=. Dependerá del factor de ramificación. Falso.

En el contexto del algoritmo de escalada en búsqueda local, el siguiente árbol de búsqueda se corresponde con una situación de: Mínimo local. Máximo local. Meseta. Cresta. Ninguna de las anteriores, ya que dicho desarrollo nunca podría darse aplicando la búsqueda de escalada.

Señala la respuesta correcta: Una de las ventajas fundamentales de los métodos declarativos de representación del conocimiento es que facilitan trabajar con información de carácter probabilístico. Los métodos procedimentales son más adecuados para la codificación de conocimiento fruto de la experiencia. En los métodos declarativos la incorporación de nuevo conocimiento suele implicar la recodificación del ya existente. Ninguna de las anteriores.

En un problema en el que estamos utilizando búsqueda local, tenemos la siguiente función de coste, en la que estamos buscando el valor máximo: Si estamos en el punto marcado, ¿qué deberíamos de hacer?. Retroceder a un punto anterior y probar un sentido diferente. Devolver el punto marcado. Aplicar más de un operador antes de realizar el test de meta. Ninguna de las anteriores.

La búsqueda A*... Evalúa cada nodo combinando las funciones g(n) y h(n), e.g. el coste real del mejor camino para alcanzar cada nodo n y el coste estimado del camino menos costoso desde el nodo n a meta. La búsqueda A* basada en grafo es óptima si la heurística es admisible. Se comporta como búsqueda en profundidad si g es incrementada por 1, h = 0, y los nodos con la misma f son ordenados de menos a más recientes. Todas son correctas.

Las funciones heurísticas... Cuantas más restricciones tengamos en cuenta para su diseño, menos precisas serán. Son consideradas admisibles si nunca sobreestiman el coste actual de alcanzar la meta. Si n es el nodo inicial, entonces h(n) = 0.

Si hablamos de algoritmos de búsqueda en árbol... A) Búsqueda en amplitud siempre es óptima y completa. B) La búsqueda de profundidad iterativa debe de ser usada en espacios de búsqueda donde la profundidad de la solución sea conocida. C) La búsqueda de profundidad limitada es óptima, pero no completa. D) Ninguna es correcta.

Se nos pide crear un modelo de representación del conocimiento para un sistema sobre un nuevo virus. Al haber sido descubierto recientemente, hay muy poca información disponible sobre este nuevo virus, pero hay mucha información sobre otros virus que se cree que funcionan de manera similar. ¿Qué modelo de representación del conocimiento debería de ser utilizado?: A) Orientada a objetos. B) Redes semánticas. C) Reglas de producción. D) Marcos.

El algoritmo de model checking... A) Tiene una complejidad que se vuelve inmanejable para sistemas con muchos símbolos. B) Permite verificar si KB |= alpha. C) Puede ser implementado como una exploración de un árbol binario. D) Todas son correctas.

Hay un sistema de producción en un problema dado. En un punto, el cliente se da cuenta de que la información es incompleta y necesita añadir dos reglas a mayores para cubrir casos específicos que no habían sido considerados previamente ¿Qué deberíamos de cambiar en el motor de inferencias?. A) Las nuevas reglas deben ser insertadas. B) Las nuevas reglas y los hechos resultantes de dichas reglas deben ser insertados. C) El sistema de reglas tendrá que ser reconstruido completamente para adaptarlo al problema actual. D) Nada.

En una RNA, el conocimiento está en... A) La función de transferencia. B) Los pesos y bias. C) Los valores dados por las salidas. D) El algoritmo de entrenamiento. E) La topología de la red.

El conjunto de datos utilizado para establecer el valor de los pesos de una RNA es conocido como... A) Conjunto de prueba. B) Conjunto de validación. C) Conjunto de test. D) Conjunto de entrenamiento. E) Conjunto de normalización.

Cuando el gradiente descendente es utilizado para modificar los pesos de las conexiones de una RNA).. A) Si está cerca de 0, el mínimo estará lejos y serán necesarios más saltos para encontrarlo. B) Si toma un valor alto, se realizará un pequeño salto dentro del espacio de búsqueda para encontrar el mínimo. C) Si toma un valor bajo, se realizará un salto grande en el espacio de búsqueda para encontrar el mínimo. D) Es necesario modificar los pesos en la dirección del gradiente. E) Es necesario modificar los pesos en la dirección contraria del gradiente.

Un Perceptrón (sin capas ocultas) puede resolver problemas de clasificación con una precisión del 100% cuando las muestras... A) Son clasificadas en sólo dos clases y no están entremezcladas. B) Son clasificadas en sólo dos clases y son linealmente separables. C) Son clasificadas en sólo dos clases, aunque estén mezcladas, no sean linealmente separables o tengan ruido. D) Son clasificadas en sólo dos clases y no tengan ruido. E) Son clasificadas en sólo dos clases y sigan una distribución normal.

Para utilizar un perceptrón multicapa para resolver el problema EXOR... A) No es necesario utilizar capas ocultas. B) Es necesario utilizar una capa oculta (con el número suficiente de neuronas), y no hacen falta más capas. C) Es necesario utilizar dos capas ocultas (con el número suficiente de neuronas), y no hacen falta más capas. D) Es necesario utilizar tres capas ocultas (con el número suficiente de neuronas), y no hacenfalta más capas. E) Es necesario utilizar más de tres capas ocultas (con el número suficiente de neuronas).

La función de transferencia... A) Puede ser hiperbólica. B) Puede ser treshold / hard limiter. C) Puede ser sigmoidal. D) Puede ser logarítmica. E) Todas son correctas.

Si un perceptrón multicapa entrenado es alimentado con una instancia en una área donde no había muestras de entrenamiento... A) Siempre devolverá un error. B) Siempre devolverá 0 como salida. C) Siempre devolverá -1 como salida. D) Siempre devolverá 1 como salida. E) Devolverá una salida arbitraria e impredecible.

Entrenar una RNA utilizando un algoritmo de entrenamiento basado en el algoritmo de descenso de gradiente tiene el siguiente problema... A) Nunca encontrará el mínimo global. B) Al alcanzar un mínimo, oscilará de un lado a otro, incapaz de permanecer en él. C) Alcanzará un mínimo con incrementos muy pequeños. D) Es posible que se quede atrapado en algún mínimo local. E) en la época de entrenamiento con el momento más pequeño.

Entrenar una RNA utilizando un algoritmo de entrenamiento basado en el algoritmo de descenso de gradiente tiene el siguiente problema... A) Nunca encontrará el mínimo global. B) Al alcanzar un mínimo, oscilará de un lado a otro, incapaz de permanecer en él. C) Alcanzará un mínimo con incrementos muy pequeños. D) Es posible que se quede atrapado en algún mínimo local. E) Requerirá un número muy alto de épocas para lograr un error aceptable.

Para evaluar qué tan bien entrenada está una red y qué tan bien generaliza, es necesario evaluar el error... A) en el conjunto de entrenamiento. B) en el conjunto de validación. C) en el conjunto de prueba. D) en la época de entrenamiento con el gradiente más pequeño. E) en la época de entrenamiento con el momento más pequeño.

En una RNA, el conjunto de validación... A) se usa para evaluar la capacidad de generalización de la red. B) debe ser linealmente separable. C) realiza la modificación de los pesos con el algoritmo correspondiente. D) no realiza la modificación de los pesos, pero controla el proceso de entrenamiento y lo detiene cuando es necesario. E) Todas las respuestas anteriores son incorrectas.

Durante el proceso de entrenamiento de una RNA utilizando la técnica de detención temprana, los valores más bajos de error en los conjuntos de entrenamiento, validación y prueba se alcanzan en épocas diferentes. ¿Qué pesos se toman para la red que se devuelve?. A) Los de la época con el error de validación más bajo. B) Los de la época con el error de prueba más bajo. C) Los de la última época de entrenamiento. D) Los de la época con el gradiente más bajo. E) Los de la época con el error de entrenamiento más bajo.

Para utilizar una RNA para resolver un problema de clasificación con dos clases, sin la posibilidad de que una instancia no pertenezca a ninguna de ellas, el número de neuronas que se debe usar en la capa de salida es... A) 1. B) 2. C) 3. D) 4. E) 5.

¿Cómo codificarías una salida categórica de una RNA, cuyos valores pueden ser "coche/motocicleta/bicicleta/avión"?. A) Como 2 valores booleanos, codificando cada una de las 4 categorías como "01/01/10/11". B) No es necesario codificarlo, la RNA puede generar esa salida categórica. C) Como 4 valores booleanos, codificando cada una de las 4 categorías como "1000/0100/0010/0001". D) Como un valor real, que toma 4 valores equiespaciados diferentes. E) Las respuestas c) y d) son correctas.

La función de transferencia de las neuronas de salida de una Red Neuronal Artificial... A) Será lineal si es un problema de clasificación con solo dos clases. B) Será sigmoide logarítmica si es un problema de clasificación con más de dos clases. C) Será sigmoide logarítmica si es un problema de regresión. D) Será tangente hiperbólica sigmoide si es un problema de regresión. E) Será lineal si es un problema de regresión.

La autoorganización en los Sistemas Conexionistas... A) Permite la existencia de un jefe que determina el comportamiento de los patrones. B) Evita el comportamiento emergente del sistema. C) Facilita el almacenamiento de información en las neuronas (células) de entrada. D) Permite obtener redundancia en los datos. E) Todas las anteriores son incorrectas.

¿Qué modelo se ajusta mejor a datos de diferentes dimensionalidades?. A) GNG. B) SOM. C) GNS. D) SGM. E) SVM.

En una red SOM, es importante... A) La ubicación espacial de las neuronas. B) La interacción de una neurona con las demás en la capa de salida. C) El número de capas ocultas. D) Que el número de neuronas en la capa de entrada sea mayor que en la capa de salida. E) Todas son correctas.

¿Qué representa la ubicación en la capa de salida de una neurona (célula) en una red SOM?. A) El número de atributos de los patrones. B) El orden de presentación de cada patrón durante el proceso de entrenamiento. C) Una proyección bidimensional de los datos de entrada. D) Indica su relación con las neuronas de entrada. E) Ninguna de las anteriores es correcta.

¿Cuántas capas, que realizan cálculos, tiene una red SOM?. A) Tantas como especifique el usuario. B) Depende del tipo de problema. C) 1. D) 2. E) Tantas como patrones de entrada.

En una red SOM, ¿qué representa el parámetro alpha en la fórmula de actualización de pesos?. A) El tamaño del vecindario. B) La topología del vecindario. C) La distancia a la Unidad de Mejor Coincidencia (BMU). D) La tasa de aprendizaje. E) El parámetro alpha no existe en la ecuación de la SOM.

¿Qué tipo de aprendizaje ocurre en las SOM?. A) Competitivo. B) Exhaustivo. C) Por necesidad. D) Reforzamiento. E) Las opciones C y D son correctas.

¿Qué es la neurona (célula) ganadora en una red SOM?. A) La que está más cerca del patrón de entrada. B) La neurona que representa el patrón dentro de su clúster. C) La neurona que aprende más rápido. D) La neurona que converge primero. E) La neurona en el top 5 de la red en el proceso de aprendizaje.

23. ¿Qué representan los pesos de las neuronas en la red SOM?. A) Clústeres. B) Conocidos como bias. C) Número de patrones aprendidos. D) Prototipos, centros o centroides de clústeres. E) Grupos.

En una red SOM... A) El vecindario determina el número de neuronas contra las que uno compite por un patrón. B) El vecindario de una neurona ganadora determina cuáles se modifican parcialmente. C) El tamaño del vecindario permanece sin cambios durante todo el proceso de entrenamiento. D) La topología cambia durante el entrenamiento. E) El número de vecinos se adapta a las dimensiones del espacio de búsqueda.

¿A cuántas neuronas se conecta cada neurona en la capa de entrada?. A) A todas las neuronas en la capa de competencia. B) Consigo misma recursivamente. C) Solo con neuronas que alguna vez han sido ganadoras. D) Se conecta con todas y cada una de las neuronas presentes en el modelo. E) Todas son falsas.

¿Qué fases presenta el funcionamiento del modelo SOM?. A) Fase de aprendizaje y modo operativo. B) Fase de aprendizaje y fase de validación. C) Fase de generalización y fase de validación. D) Fase inicial y modo de operación. E) Modo rápido y modo robusto.

¿Cuáles son las métricas para validar una red SOM?. A) Error de cuantización medio y medida de preservación de topología. B) Precisión y medida de preservación de topología. C) Error de cuantización medio y medida de dispersión de topología. D) Tasa de precisión media y medida de dispersión de topología. E) Medida de preservación del conocimiento.

¿Cuál de las siguientes opciones describe correctamente los orígenes de los Algoritmos Genéticos y la Programación Genética?. A) Fueron desarrollados por John von Neumann en la década de 1950. B) Son el resultado de avances en inteligencia artificial en la década de 1980. C) Tienen sus raíces en los trabajos de Charles Darwin y Alfred Wallace sobre evolución y selección natural. D) Fueron propuestos por Charles Babbage durante la Segunda Guerra Mundial. E) El principal precursor es Mendel con su trabajo sobre la deriva genética.

A la luz de las diferentes teorías evolutivas presentes en los Algoritmos Genéticos, ¿cuál de las siguientes inspira la operación de aptitud?. A) Aprendizaje Hebbiano. B) Teoría de la Conservación de Lamarck. C) Teoría de la Evolución de Darwin. D) Leyes de Mendel. E) Deriva genética.

En el contexto de los algoritmos evolutivos, ¿qué técnica se utiliza para explotar la información presente en la población y mejorar las soluciones. A) Cruce. B) Mutación. C) Selección. D) Reemplazo. E) Clonación.

En un algoritmo genético, ¿cuál es el nombre dado al proceso por el cual el mejor individuo en la población pasa por una fase de ajuste local y así se inserta en la población?. A) Siembra. B) Elitismo. C) Aprendizaje Lamarckiano. D) Estado Estable. E) Ascenso de Colinas.

Supongamos que se ejecuta un algoritmo genético en una población de 1000 individuos. Si en la segunda generación se obtienen 100 individuos mutados, ¿qué combinación de tasa de cruce y probabilidad de mutación es más probable que se haya utilizado?. A) Tasa de cruce de 0.9 y ratio de mutación de 0.01. B) Tasa de cruce de 0.9 y ratio de mutación de 0.001. C) Tasa de cruce de 1.0 y ratio de mutación de 0.01. D) Tasa de cruce de 1.0 y ratio de mutación de 0.001. E) Tasa de cruce de 0.7 y ratio de mutación de 0.1.

En algoritmos genéticos, ¿cómo puede afectar el tamaño de la población la eficiencia y efectividad del proceso de optimización?. A) Con un tamaño de población más grande, se requiere más tiempo para converger hacia una solución óptima. B) Con un tamaño de población más pequeño, la diversidad genética y la exploración del espacio de búsqueda aumentan. C) Con un tamaño de población más grande, la probabilidad de encontrar soluciones óptimas globales disminuye. D) Con un tamaño de población más pequeño, se reducen los costos computacionales y se acelera la convergencia. E) El tamaño de la población no tiene un impacto significativo en la eficiencia y efectividad del algoritmo genético.

En un Algoritmo Genético,. A) Si la tasa de mutación es cero, el algoritmo funciona porque el cruce lleva a la evolución. B) Si la tasa de cruce es cero, la mutación causa que todos los individuos acumulen demasiados cambios. C) Si la tasa de cruce es cero, la mutación genera variabilidad y el algoritmo de selección lleva a la evolución. D) Si tanto la tasa de cruce como la tasa de mutación son cero, el algoritmo de selección prevalece y lleva a la evolución. E) Es imposible que las tasas de cruce y/o mutación sean cero.

¿Cuál de las siguientes afirmaciones es verdadera con respecto a todas las técnicas de Computación Evolutiva?. A) Las soluciones deben codificarse en forma de árbol. B) Las poblaciones más grandes favorecen una evolución más rápida. C) El esquema de reemplazo generacional usa menos memoria. D) Las funciones de aptitud deben ser evaluables para cada individuo en la población. E) El criterio de terminación debe ser único.

¿Cuál es el efecto de ajustar la tasa de mutación en la programación genética y cómo puede influir en la convergencia del algoritmo?. A) Aumentar la tasa de mutación acelera la convergencia del algoritmo, ya que se introducen cambios más drásticos en la población, permitiendo una exploración más rápida de nuevas soluciones. B) Reducir la tasa de mutación en poblaciones grandes puede mejorar la convergencia del algoritmo, ya que evita una exploración excesiva y favorece la explotación de soluciones cercanas a las óptimas. C) La tasa de mutación no tiene impacto en la convergencia del algoritmo, ya que solo afecta la diversidad genética sin influir en la calidad de las soluciones. D) Ajustar óptimamente la tasa de mutación puede equilibrar la exploración y la explotación en la programación genética, facilitando la convergencia hacia soluciones de alta calidad. E) La tasa de mutación solo afecta la velocidad de convergencia del algoritmo, sin influir en la calidad de las soluciones obtenidas.

¿Cuál es el objetivo principal del operador de cruce en las técnicas de computación evolutiva?. A) Reducir la diversidad en la población. B) Expandir el espacio de búsqueda. C) Explotar la información presente en la población. D) Seleccionar los mejores individuos en función de su función de aptitud. E) Introducir aleatoriedad en la población.

La combinación de "Hill-climbing" y algoritmos genéticos: A) Es una técnica de búsqueda donde su principal problema es la convergencia temprana. B) Es una técnica de búsqueda aplicada en algoritmos genéticos donde su principal problema es que no garantiza obtener el óptimo global. C) Solo se puede aplicar en la programación genética. D) Está inspirada en los principios de la evolución Lamarckiana para mejorar la convergencia del proceso evolutivo. E) Es una técnica que realiza una búsqueda aleatoria en el espacio de soluciones hasta encontrar el máximo o mínimo global.

¿Cuál de las siguientes estrategias describe con mayor precisión el mecanismo de selección utilizado en algoritmos evolutivos para promover la diversidad genética y evitar la convergencia prematura?. A) Selección por ruleta, donde los individuos se asignan a sectores de una ruleta ponderada, y esos sectores con mayor peso tienen una mayor probabilidad de ser seleccionados. B) Selección por ruleta, donde los individuos se asignan a sectores de una ruleta con igual probabilidad de ser seleccionados. C) Selección por torneo, donde los individuos se agrupan en subconjuntos y el individuo con el mejor valor de aptitud es seleccionado para cada grupo. D) Selección por torneo, donde los individuos compiten en pares y el ganador se selecciona con una probabilidad proporcional a su aptitud. E) Selección por torneo, donde los individuos se agrupan en subconjuntos y los dos individuos con menor aptitud de cada subconjunto son seleccionados para la reproducción.