Repaso | Sistemas de aprendizaje automático

¿Cuál es la principal diferencia entre la IA fuerte y la IA débil?. La IA fuerte tiene la capacidad de razonar de manera autónoma. La IA débil puede aprender sin datos etiquetados. Ambas pueden desarrollar conciencia propia. No hay diferencias, solo es una cuestión de terminología.

¿Qué característica define a la IA específica en comparación con la IA general?. La IA específica puede realizar múltiples tareas en distintos ámbitos. La IA específica requiere intervención humana constante para operar. La IA específica está diseñada para resolver problemas concretos dentro de un dominio particular. La IA específica no depende de datos de entrenamiento.

¿Cuál es una de las principales limitaciones de la IA fuerte en la actualidad?. Falta de potencia computacional para entrenar modelos de IA. Las redes neuronales aún no son lo suficientemente avanzadas. Solo puede aplicarse en contextos académicos y de investigación. No existe una metodología clara para dotar de conciencia a una máquina.

¿Cuál es la característica principal del aprendizaje supervisado en Machine Learning?. Se basa en la exploración sin datos etiquetados. Se entrena con datos etiquetados para aprender relaciones entre entradas y salidas. No requiere datos históricos para generar predicciones. Es un método basado en reglas programadas manualmente.

¿Cuál es el propósito del aprendizaje no supervisado?. Descubrir patrones en datos sin etiquetas predefinidas. Utilizar etiquetas para ajustar la precisión de las predicciones. Reducir el uso de redes neuronales profundas en modelos complejos. Imitar el comportamiento humano en la toma de decisiones.

¿Cómo aprende un modelo en el aprendizaje por refuerzo?. Analizando bases de datos predefinidas con reglas fijas. Dependiendo únicamente de supervisión humana constante. Mediante un sistema de prueba y error, recibiendo recompensas o castigos. Comparando datos estructurados y no estructurados.

¿En qué se diferencian los modelos de clasificación y los de regresión en aprendizaje supervisado?. Los modelos de clasificación solo funcionan con datos no estructurados. Los modelos de regresión predicen valores categóricos. Ambos modelos realizan segmentación de datos sin supervisión. Los modelos de clasificación predicen etiquetas discretas, mientras que los de regresión predicen valores continuos.

¿Cuál es una de las ventajas de la regresión lineal?. Es un modelo simple y eficiente para predecir relaciones lineales. Puede aplicarse solo a problemas de clasificación binaria. No requiere grandes volúmenes de datos para entrenarse. No sufre problemas de sobreajuste con datos ruidosos.

¿Qué técnica de clasificación utiliza árboles de decisión?. Regresión lineal. Aprendizaje por refuerzo. División jerárquica de datos hasta obtener grupos homogéneos. Modelos de clustering basados en segmentación.

¿Cuál es la característica principal del aprendizaje no supervisado?. Se basa en el uso de datos etiquetados para entrenar modelos. Identifica patrones en los datos sin necesidad de etiquetas previas. Depende exclusivamente de reglas predefinidas por expertos. Solo se aplica en problemas de clasificación.

¿Cuál de los siguientes algoritmos es utilizado en aprendizaje no supervisado?. Regresión logística. Redes neuronales convolucionales. K-Means. Perceptrón multicapa.

¿Qué ventaja ofrece el clustering jerárquico en comparación con K-Means?. No requiere definir el número de grupos con antelación. Es más eficiente en términos computacionales. Siempre produce el mismo número de clusters. Depende exclusivamente de la normalización de los datos.

¿Qué distingue al Deep Learning de otros métodos de Machine Learning?. Se basa en reglas definidas manualmente. No requiere entrenamiento previo con datos. Utiliza redes neuronales profundas con múltiples capas ocultas. Solo funciona con datos estructurados.

¿Cuál es una aplicación clave del Deep Learning?. Optimización de bases de datos relacionales. Reconocimiento de imágenes y procesamiento de voz. Reducción de dimensiones en bases de datos estructuradas. Cálculo de operaciones aritméticas complejas.

¿Qué herramienta se usa comúnmente en el desarrollo de modelos de Deep Learning?. Excel. Matplotlib. Pandas. TensorFlow.

¿Cuál es la finalidad principal del aprendizaje por refuerzo?. Encontrar una secuencia de acciones que maximice una recompensa a largo plazo. Detectar patrones ocultos en grandes volúmenes de datos. Clasificar automáticamente datos etiquetados. Reducir el error entre predicción y realidad.

¿Qué elemento define la estrategia que sigue un agente en el aprendizaje por refuerzo?. Recompensa. Política. Entorno. Modelo del sistema.

¿Cuál es el propósito del factor de descuento en el aprendizaje por refuerzo?. Indicar la complejidad de la política. Determinar el grado de error permitido. Evaluar el nivel de exploración frente a explotación. Ajustar el valor de las recompensas futuras frente a las inmediatas.

¿Cuál es la etapa del proceso que consume más tiempo en un proyecto de aprendizaje supervisado?. Evaluación del modelo. Feature engineering. Limpieza de datos. Despliegue del modelo.

Despliegue del modelo. Seleccionar el modelo con mejor rendimiento en datos no vistos. Reducir el tiempo de entrenamiento del modelo. Definir las variables objetivo (target). Visualizar los resultados.

¿Cuál de las siguientes herramientas/bibliotecas es una de las más utilizadas para aprendizaje supervisado?. TensorFlow. Scikit-learn. RapidMiner. Keras.

¿Cuál es la característica fundamental de los algoritmos de aprendizaje no supervisado?. Buscan predecir una variable a partir de datos históricos. Buscan reducir el error entre predicciones y etiquetas. Pretenden encontrar patrones o estructuras ocultas en datos no etiquetados. Pretenden mejorar la precisión de un clasificador supervisado.

¿Qué técnica se utiliza para determinar el número óptimo de clústeres en K-means?. Método del codo. Coeficiente de Silueta. Bagging. PCA.

¿Qué ventaja ofrece Scikit-learn para los algoritmos no supervisados?. Permite la clasificación supervisada automática. Requiere pocos datos para entrenar modelos complejos. Emplea aprendizaje profundo sin etiquetado. Incluye múltiples algoritmos de clustering, reducción de dimensionalidad y detección de outliers.

¿Qué caracteriza al aprendizaje profundo frente a otras técnicas de IA?. Requiere intervención humana constante. Aprende directamente de los datos sin necesidad de reglas explícitas. Utiliza bases de datos relacionales exclusivamente. Depende de conocimiento experto para funcionar.

¿Cuál es la función de la capa oculta en una red neuronal?. Proporcionar los datos de entrada al modelo. Decidir la clase de salida final directamente. Recolectar los datos desde sensores. Procesar información intermedia para llegar a una decisión final.

¿Qué mecanismo permite ajustar los pesos en una red neuronal?. La propagación hacia atrás. La función de activación sigmoide. La matriz de confusión. El proceso de cross-validation.

¿Qué representa la capacidad de generalización de un modelo?. Su habilidad para memorizar los datos de entrenamiento. El número total de parámetros entrenables. Su rendimiento ante datos nuevos y no vistos. El grado de subajuste detectado durante el entrenamiento.

¿Cuál es la utilidad principal del conjunto de validación?. Reforzar el conjunto de entrenamiento. Almacenar métricas de rendimiento del modelo. Evaluar el sobreajuste frente a datos de test. Seleccionar el modelo con mejor rendimiento antes de testear.

¿Qué indica el recall o exhaustividad en una matriz de confusión?. Proporción de falsos positivos sobre verdaderos negativos. Capacidad del modelo para identificar verdaderos positivos entre los casos reales. Precisión general del modelo frente a todos los datos. Tasa de aciertos de los negativos verdaderos.