Sesión 2 IGPIA

¿Qué es un problema de investigación en IA?. Una opinión personal sobre tecnología. Una pregunta científica relevante que se responde mediante un estudio sistemático. Un programa informático. Un conjunto de datos sin analizar.

¿Cómo debe ser un problema de investigación en IA?. Ambiguo y general. Claro, específico, medible y que responda a una necesidad tecnológica o teórica. Solo teórico sin aplicación. Basado únicamente en opiniones.

¿Qué característica evalúa si un problema aporta algo nuevo en IA?. Factibilidad. Claridad. Originalidad. Medición.

¿Qué característica analiza si el problema responde a una necesidad académica, industrial o social?. Claridad. Relevancia. Factibilidad. Precisión.

¿Qué característica determina si el problema es viable con los datos y herramientas actuales?. Originalidad. Factibilidad. Relevancia. Claridad.

¿Qué es una hipótesis de investigación?. Una conclusión final. Una afirmación tentativa que responde a la pregunta y puede probarse empíricamente. Un resultado estadístico. Un algoritmo.

¿Cómo debe ser una hipótesis?. Ambigua e imposible de medir. Clara, medible y verificable. Solo teórica. Basada en opiniones personales.

¿Qué es un diseño experimental en IA?. Un programa de entrenamiento automático. La planificación rigurosa de cómo se recopilarán y analizarán los datos para validar una hipótesis. Una técnica de visualización. Una métrica de evaluación.

¿Qué se busca al diseñar un experimento en IA?. Aumentar el número de datos únicamente. Eliminar sesgos, garantizar reproducibilidad y resultados estadísticamente significativos. Reducir el tiempo de programación. Evitar el análisis estadístico.

¿Cuál es un paso para diseñar un experimento en IA?. Ignorar las variables. Definir variables clave, seleccionar dataset y establecer métodos de validación. Usar cualquier dato disponible. Evitar la validación.

¿Qué técnica se usa para garantizar la robustez de los hallazgos?. Programación manual. Validación cruzada. Compresión de datos. Visualización gráfica.

¿Qué es la variable independiente?. La que medimos como resultado. La que manipulamos o modificamos en el estudio. La que se mantiene constante. La que no influye en el experimento.

¿Qué es la variable dependiente?. La que manipulamos. La que medimos como resultado del experimento. La que permanece constante. La que no se analiza.

¿Qué son las variables de control?. Factores que deben mantenerse constantes. Factores que se modifican continuamente. Resultados del experimento. Datos de prueba.

¿Qué debe cumplir un dataset en un experimento de IA?. Ser aleatorio sin relación con el problema. Ser representativo del problema de investigación. Tener el mayor tamaño posible únicamente. Contener solo datos de entrenamiento.

¿Cuál es una consideración clave en la selección de datos?. Balance de clases para evitar sesgos. Eliminar todos los datos. No preprocesar datos. No dividir el dataset.

¿Qué es Hold-out Validation?. Entrenar con todos los datos. División típica 70-15-15 en entrenamiento, validación y test. Validación con un solo dato. Repetir infinitamente el entrenamiento.

¿Qué es K-Fold Cross Validation?. Usar un único conjunto de datos. Repetir pruebas en distintos subconjuntos para mayor estabilidad. Eliminar datos. Validar solo una vez.

¿Qué es Leave-One-Out?. Entrenar con un solo dato. Entrenar con todos los datos menos uno, útil en datasets pequeños. No usar validación. Dividir en tres partes iguales.

¿Cómo se deben evaluar los resultados en IA?. Solo con opiniones subjetivas. Con métricas cuantitativas e interpretación del impacto práctico. Sin métricas. Solo observando gráficos.

¿Qué métricas se usan en problemas de clasificación?. MAE y RMSE. Precisión, Recall, F1-Score, ROC-AUC. BLEU y ROUGE. FID e IS.

¿Qué métricas se usan en regresión?. MAE, MSE, RMSE. F1-Score. ROC-AUC. BLEU.

¿Qué métricas se usan en generación de imágenes?. BLEU. FID e IS. Recall. MAE.

¿Qué métricas se usan en NLP generativo?. RMSE. BLEU y ROUGE. FID. ROC-AUC.

¿Cómo deben ser las conclusiones de un proyecto de IA? A) B) C) D). Confusas y generales. Claras, mostrando lo logrado y lo que falta por mejorar. Solo numéricas. Sin análisis.