SAA03 - Sistemas de aprendizaje automático

La tercera fase del entrenamiento de una red neuronal profunda es: Forward Pass. Backward Pass. Función de coste. Descenso del gradiente.

Si quisiera desarrollar un modelo de Inteligencia Artificial con la técnica de Deep Learning enfocado en reconocimiento de imágenes ¿qué algoritmo sería más apropiado?. Red de máquinas de Boltzmann (BM). Red de Autoencoder Variacional (VAE). Red generativa de adversarios (GAN). Red convolucional profunda (DCN).

¿Que es un perceptrón?. Ninguna de las respuestas anteriores es correcta. Es el conjunto de capas ocultas que configuran una red neuronal. Es el conjunto de capas, incluidas las de entrada, ocultas y de salida que configuran una red neuronal. Es una neurona artificial que realiza ciertos cálculos para detectar capacidade de los datos de entrada en un problema de redes neuronales.

La primera fase del entrenamiento de una red neuronal profunda es: Forward Pass. Descenso del gradiente. Backward Pass. Función de coste.

¿El aprendizaje profundo (Deep Learning) es una de las principales técnicas del aprendizaje automático (Machine Learning)?. No, constituye por sí misma una técnica diferente e independiente del Machine Learning. No, aunque últimamente se está considerando que ambas técnicas confluyen y se las empieza a tratar como una misma técnica. Sí, pero solo hasta el año 2015, cuando su desarrollo superó tanto las técnicas como los objetivos del Machine Learning. Desde entonces se considera como una técnica independiente. Sí.

El algoritmo de red de alimentación directa profunda (Deep Feed Forward - DFF) es como una red de retroalimentación directa (FF) pero que usa más de una capa oculta. ¿Verdadero o Falso?. Verdadero. Falso.

De los siguientes algoritmos, indica cuál es el que introduce una celda de memoria: LSTM. SVM. FF. DFF.

La segunda fase del entrenamiento de una red neuronal profunda es: Descenso del gradiente. Forward Pass. Función de coste. Backward Pass.

¿Cuál de los siguientes algoritmos no se utiliza para aplicaciones de síntesis de voz? _____. LSTM. AE y todas sus variantes. DCN. Todas las respuestas anteriores son correctas.

¿Se consideran redes neuronales las máquinas de vector soporte (SVM)?. Ninguna de las respuestas anteriores es correcta. Sí. No, aunque tiene una estructura interna similar a las redes neuronales. Depende del tipo de datos de entrada que empleemos.

¿En qué década se empezaron a publicar los primeros conceptos acerca cómo deberían funcionar las redes neuronales?. En los años 10 del S.XXI. En los años 20 del S.XX. En los años 40 y 50 del S.XX. En los años 80 del S.XX.

¿De dónde procede el nombre de las redes neuronales en Inteligencia Artificial?. De la teoría de redes cuánticas. De la psicología descrita por Sigmund Freud en el S.XIX. De las red de neuronas biológicas de los organismos vivos que pretendían imitarse en los inicios de estas técnicas. Ninguna de las anteriores respuestas es correcta.

Si quisiera desarrollar un modelo de Inteligencia Artificial con la técnica de Deep Learning enfocado en reconocimiento de dígitos escritos a mano ¿qué algoritmo sería más apropiado?. Red generativa de adversarios (GAN). Red de Autoendoer Dispersa (SAE). Red de máquinas de Boltzmann (BM). Red de Autoencoder Variacional (VAE).

Una red neuronal es un procesador distribuido en paralelo de forma masiva con una propensión natural a almacenar conocimiento experimental y convertirlo en disponible para su uso. ¿Verdadero o Falso?. Verdadero. Falso.

¿Quién fue el primer científico que planteó el concepto de Perceptrón?. Bill Gates en 1997. Mat LeCunn, en 1985. Frank Rosenblatt en 1957. Alan Turing en 1942.

¿Qué algoritmo de redes neuronales se está utilizando específicamente para generar modelos de manipulación de rostros humanos?. DCIGN - Deep Convolutional Inverse Graphics Network. RBM - Restricted Boltzmann Machine. HN - Hopfield Network. RNN - Recurrent Neural Network.

¿En qué ámbitos están dando mejores resultados las redes neuronales convolucionales?. Únicamente en procesamiento del lenguaje natural. En detección de fraudes bancarios y predicción de precios en las viviendas. En reconocimiento de voz y procesamiento de imágenes. En reconocimiento de voz y generación de textos literarios.

En el Aprendizaje Profundo el modelo no puede mejorarse a sí mismo de manera automática, es necesaria la intervención humana. ¿Verdadero o Falso?. Verdadero. Falso.

Las redes neuronales se asemejan al cerebro en estos aspectos: Aprenden como los niños pequeños, por observación y por poner en práctica lo observado (prueba - error). El conocimiento se adquiere por la red mediante un proceso de aprendizaje, y, las fuerzas de conexión interneuronal (ponderaciones sinápticas) se utilizan para almacenar el conocimiento. En ningún aspecto. Se activan partes específicas de la red neuronal (como los hemisferios del cerebro) y necesitan reposar para fijar conocimientos (como cuando el humano duerme).

El aprendizaje profundo se diferencia fundamentalmente del aprendizaje automático en…. ...que no necesita depurar previamente los datos. ...que requiere menos esfuerzo de cómputo y memoria. ...que es más apropiado para problemas de entrenamiento por refuerzo. ...que el modelo sigue aprendiendo y mejorando su precisión cada vez que se utiliza.

En esencia una red convolucional lo que hace es…. ...revolucionar los datos a la mayor velocidad de cómputo posible hasta que detecta los de mayor peso específico. ...trata de buscar características locales en pequeños grupos de entradas (píxeles, secuencias de mediciones de audio, etc). Ninguna de las respuestas anteriores es correcta. ...detectar los vectores directores que soportan los datos fundamentales de las instancias.

En el algoritmo de red neuronal de codificación automática (Auto Encoder - AE) el número de neuronas o celdas de la capa oculta es menor que las de salida. ¿Verdadero o Falso?. Verdadero. Falso.

¿Qué hacen las redes neuronales en relación con los parámetros iniciales?. Ninguna de las respuestas anteriores es correcta. Definen un modelo de combinación de dichos parámetros para aplicarla en la búsqueda del resultado deseado. Mezclan los parámetros de forma aleatoria a ver si hay suerte y dan con algún resultado aceptable. Las redes neuronales no intervienen de ninguna manera en los parámetros iniciales.

En una red neuronal de retroalimentación (Feed Forward - FF)... ...hay una conexión visible entre los nodos de la misma capa. ...Los nodos forman un ciclo. ...cada perceptrón o nodo está conectado con cada nodo de la capa siguiente o anterior. ...las capas ocultas tienen conexión con el mundo exterior.

¿En qué tipo de problemas del aprendizaje automático se puede aplicar el Deep Learning?. Solo en entrenamientos no supervisados. El Deep Learning no se aplica en problemas de aprendizaje automático. Solo en entrenamientos supervisados. Tanto en entrenamientos supervisados como no supervisados.

En el desarrollo matemático de la Inteligencia Artificial ¿ha sido útil el enfoque biológico?. Sí, desde los primeros años hasta ahora. No. Nunca se ha planteado un enfoque biológico para el desarrollo de la Inteligencia Artificial. Sí, pero solo en los primeros años.

La cantidad de capas y neuronas que tenga una red neuronal no influye para nada en la mejora de predicciones de conjuntos de datos complicados. ¿Verdadero o Falso?. Verdadero. Falso.

Inicialmente el perceptrón fue planteado como un programa y no tanto como una máquina. Fue más adelante cuando su concepto se transformó al ámbito del hardware. ¿Verdadero o Falso?. Verdadero. Falso.

Las redes neuronales se basan en la siguiente idea: dados unos parámetros iniciales hay una forma de combinarlos para predecir un cierto resultado. ¿Verdadero o Falso?. Verdadero. Falso.

La cuarta fase del entrenamiento de una red neuronal profunda es: Backward Pass. Descenso del gradiente. Forward Pass. Función de coste.