SI-Recopilación

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

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

¿Quién postula "la teoría de la neurona"?. McCulloch. Pavlov. Camilo Golgi. Ramón y Cajal.

¿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"?. Camilo Golgi. Pavlov. Ramón y Cajal. Ninguno de los anteriores.

¿Qué otro nombre recibe la "Regla de aprendizaje Sinaptico"?. Regla de Barrow. Regla de Hebb. Regla Básica. Regla de aprendizaje adaptativa.

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

¿Quién desarrolló el ADALINE?. Widrow. Hoff. Los dos anteriores. Ninguna de las anteriores.

¿Qué libro inició el declive de las Redes de neuronas artificiales?. Perceptrons. Adalines. Madalines. Todos los anteriores.

¿Quién de los siguientes fue un impulsor en el resurgir de las redes de neuronas artificiales?. Anderson. Widrow. Minsky. Ronsenblatt.

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

¿Qué trabajo NO propició en nacimiento de las RNA?. Informe Lighthill. Behaviour, purpose and teleology. The nature of explanation. A logical calculus of the ideas inmanent in nervous activity.

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

¿Quién fue el creador de Collosus?. Un griego. Von Neumman. Turing. Ninguno de los anteriores.

Al recibir las entradas una neurona artificial, estas se combinan en primer lugar mediante una: Función de activación. Regla de Delta. Regla de propagación. Función de transferencia. Función de validación.

El ADALINE... No tiene capas ocultas. Tiene una función de transferencia de tipo sigmoidal. No puede ser entrenado con la Regla Delta. Puede realizar aproximaciones no lineales. Es capaz de aprender cualquier relación entrada/salida.

La Regla Delta…. Modifica los pesos en el sentido (signo) del cambio realizado en el ciclo anterior. Modifica los pesos en el sentido (signo) opuesto del cambio realizado en el ciclo anterior. Modifica los pesos en el sentido (signo) de la pendiente del error. Modifica los pesos en el sentido (signo) opuesto de la pendiente del error. Todas son falsas.

Al entrenar una RNA, el algoritmo de entrenamiento dice que la modificación de los pesos se debe de multiplicar por una constante llamada…. Momento. Gradiente. Delta. Tasa de aprendizaje. Bias.

Si durante el entrenamiento de una RNA, en un ciclo se obtiene un gradiente de 0, esto quiere decir…. Se está muy lejos de un mínimo. Se está muy cerca de un mínimo, pero no en él. Se está en un mínimo, y es el global. Se está en un mínimo, pero no se sabe si es el global o uno local. El error es 0.

Las neuronas de la capa de entrada de un perceptrón multicapa…. Aplican la función de transferencia a las entradas que reciben. Emiten su salida como la suma de las entradas multiplicadas por sus pesos. Emiten su salida como el resultado de aplicar la función de transferencia a la suma de las entradas multiplicadas por los pesos. Emiten su salida como el resultado de aplicar la función de transferencia a la suma del bias y las entradas multiplicadas por los pesos. Todas son falsas.

El número de neuronas ocultas de un perceptrón multicapa…. Lo puede fijar el usuario como quiera. Depende del problema a resolver. Debe ser igual al número de neuronas de entrada, y lo puede fijar el usuario como quiera. Debe ser igual al número de neuronas de entrada, pero depende del problema a resolver. Debe ser igual al número de neuronas de salida, y lo puede fijar el usuario como quiera.

Un perceptrón multicapa tiene la capacidad de separar todos los patrones de entrenamiento de un problema de clasificación con un 100% de acierto cuando estos patrones…. No están entremezclados, tenga el número de neuronas ocultas que tenga. Solo cuando son linealmente separables. Están clasificados en más de dos clases distintas. Solo cuando no tienen ruído. En cualquier caso, si la red tiene la complejidad suficiente.

Si un perceptrón multicapa entrenando se le presenta un patrón en una zona donde no hubo patrones de entrenamiento. Dará un error en su funcionamiento. Dará una salida de 0 siempre. Dará una salida de -1 siempre. Dará una salida de 1 siempre. Dará una salida arbitraria e imprevisible.

Si al entrenar una RNA se utiliza una tasa de aprendizaje muy alta…. Se acercará al error con cambios muy pequeños. Se correrá el riesgo de oscilar en torno al mínimo. El entrenamiento se parará siempre en un mínimo local. El entrenamiento se parará siempre en un mínimo global. Se sobreentranará la red.

El hecho de entrenar una RNA mediante un algoritmo de entrenamiento basado en el gradiente descendente tiene el problema de que…. Nunca va a encontrar el mínimo global. Al acercarse a un mínimo, se va a oscilar de un lado a otro, sin lograr pararse en él. Se va a acercar a un mínimo de incrementos muy pequeños. Es posible que se quede parado en alg˙n mÌnimo local. Va a necesitar un número muy alto de ciclos para alcanzar un error aceptable.

En una RNA, el conjunto de test…. Se utiliza para evaluar la capacidad de generalización de la red. Debe de ser linealmente separable. Produce la modificación de los pesos mediante el algoritmo correspondiente. No produce la modificación de los pesos, pero controla el proceso de entrenamiento, y lo para si es necesario. Todas son falsas.

Las técnicas de regularización permiten…. Entrenar una RNA hasta alcanzar un error de 0. Saltar mínimos locales al entrenar una RNA. Eliminar el ruido del conjunto de entrenamiento. Resolver problemas de clasificación no linealmente separables. Evitar el sobreentrenamiento al entrenar una RNA.

Para usar una RNA para resolver un problema de clasificación con dos clases, sin posibilidad de que un patrón no pertenezca a ninguna de las dos clases, el número de neuronas de salidas que hay que usar es…. 1. 2. 3. 4. 5.

La autoorganización en Sistemas Conexionistas…. Permite que exista un jefe que determine el comportamiento de los patrones. Impide un comportamiento emergente del sistema. Facilita que la información se guarde en las neuronas de entrada. Permite que se obtenga redundancia en los datos. Todas las anteriores son incorrectas.

En la corteza cerebral…. La ubicación espacial de las neuronas constituye un mapa organizado. Todas las neuronas idénticas realizan la misma función. La ubicación de las neuronas no es significativa. Todas las anteriores son correctas. Todas las anteriores son incorrectas.

Si los patrones de entrada de un problema tienen dos características o atributos, una Growing Cell Structure (GCS) que lo resuelva tendrá…. 1 neurona de entrada. 4 neuronas de entrada. 6 neuronas de entrada. 8 neuronas de entrada. Todas las anteriores son incorrectas.

Diferencias entre SOM y GCS son: La GCS no consideran neuronas vecinas a la ganadora. b - Un SOM considera un radio de vecindad de diferentes niveles. c - Las GCS consideran solamente vecinas directas a la ganadora. No hay diferencia en cuestión de vecindario, la diferencia está en la variación dinámica del numero de neuronas de la capa competitiva. B y C son correctas.

Una GCS…. Está siempre orientada a 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 normalmente…. Una capa de entrada, tres o cuatro 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…. 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. Si un patrón de entrada no pertenece a ningún grupo reconocido previamente, se descarta siempre. La B y la C son correctas.

En un SOM…. a - 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. c - 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.

Las tasas de aprendizaje para redes GCS son…. a - Las mismas que para redes SOM. b - Dos tasas diferenciadas. Una única de aprendizaje en todos los casos. La A y la B son correctas. Ninguna de las anteriores es correcta.

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

El problema del viajante con una SOM…. Se resuelve considerando una vecindad lineal. b - Se resuelve sin vecindad. c - Nunca se puede resolver. La B y la C son correctas. Ninguna de las anteriores es correcta.

Los trabajos de uno de los siguientes investigadores NO formas parte de la inspiración biológica que se utilizó como base para conformar el cómo funcionan los algoritmos genéticos. ¿Cuál?. Gregor Mendel. Alfred Wallace. Jean-Batiste Lamark. Charles Darwin. John H. Holland.

Se recomienda y está más justificado el uso de los Algoritmos Genéticos…. En aquellos problemas cuya complejidad permita una solución directa. En aquellos problemas cuya complejidad no permita una solución directa. En los problemas resolubles polinomialmente. Cuando existe un único mínimo local y el espacio de búsqueda es muy pequeño. Siempre es recomendado su uso.

¿Cuál de los siguientes operadores genéticos es el responsable de explotar la información presente en la población?. Clonación. Cruce. Mutación. Remplazo. Selección.

El objetivo del operador de mutación es …. Reducir la diversidad de la población. Explorar en el espacio de búsqueda. Explotar la información que está en la población. Seleccionar aquellos individuos que son mejores, en función de su función de ajuste. En un esquema steady-state, decir que individuos deben de deshacerse para hacer sitio a los nuevos.

¿Cuál de las siguientes afirmaciones es cierta en relación a los algoritmos genéticos?. Las soluciones deben de ser codificadas en forma de árbol. Las poblaciones grandes favorecen una evolución más rápida. El esquema de remplazo generacional utiliza menos memoria. Las funciones de ajuste deben de poder evaluarse en cada individuo de la población. El criterio de parada debe de ser único.

“Elitismo" en algoritmos genéticos…. No existe este concepto. Sólo es aplicable a la Programación Genética. Es la estrategia de mantener los mejores individuos de la población. Se encarga de buscar los mejores individuos y con ellos generar una nueva población. La nueva población es generada a partir exclusivamente del mejor individuo (élite).

En algoritmos genéticos existen las técnicas de selección denominadas: Profundidad y anchura. Recombinación puntual y uniforme. Ruleta y torneo. Cruce y mutación. Combinatoria múltiple y estocástica uniforme.

En un Algoritmo Genético el término “Generación”. Representa cada ciclo de funcionamiento del Algoritmo. En el mecanismo de gestión de población “Steady-State” representa el cambio de todos los individuos por los hijos. Representa seleccionar al mejor individuo de cada población para copiarlo a la siguiente población. No existe este concepto en Algoritmos Genéticos. Ninguna de las anteriores.

La denominación “Steady-state” en términos de un Algoritmo Genético es…. El mecanismo mediante el cual se mantiene a los mejores individuos en una población. Un tipo de gestión de la población de individuos. En este tipo también hay que especificar el tipo de sustitución de individuos. Una forma de crear la población de descendientes antes de eliminar la población de los padres y pasar a la siguiente generación. Una forma de combinar los Algoritmos Genéticos con técnicas de optimización local. No existe esta palabra en estos sistemas.

Programación genética. No se puede aplicar la operación genética de cruce sobre los individuos de la población. La codificación del problema nunca se puede realizar en términos similares a la programación, no se puede representar un individuo como un conjunto de instrucciones generadas en un lenguaje de programación. No se puede aplicar la estrategia elitista igual que en los Algoritmos Genéticos, hay que adaptarla a esta nueva técnica. El algoritmo de evolución de la población de individuos es igual al de los Algoritmos Genéticos. No permite la generación automática de programas como mecanismo de solución de un determinado problema.

El “Hill climbing” con respecto a las técninas de Computación Evolutiva. Mejora los individuos para acelerar que se encuentre un óptimo local. Es una técnica para mejorar la generación de la población inicial. Se aplica a un solo individuo de cada generación. No se puede aplicar si se está usando elitismo. Es una técnica de cruce que funciona mejor que el de dos puntos.

¿Cuál de las siguientes es cierta acerca de la función de fitness?. La programación genética no utiliza este elemento que está solo presente en los Algoritmos Genéticos. Se evalúa sólo sobre el mejor individuo de la población. Sirve para determinar cuáles son los mejores individuos de la población. Se ejecuta sobre la población como un todo para hacer competir a las soluciones unas contra otras. Es la función que marca cuando se cambia de una generación a la siguiente.

En los algoritmos de sustitución para nuevos individuos. La sustitución de peores es la más rápida, y por tanto, la mejor. La sustitución de padres es la mejor porque al escoger entre padres e hijos no se pierde la variabilidad. Lo mejor es no sustituir y que la población crezca indefinidamente para que haya más variabilidad. La sustitución de parecidos hace que la evolución avance muy despacio porque todos se van a parecer. La mejor opción es utilizar las tres técnicas, peores, padres y parecidos a la vez.

En un algoritmo genético. Si la tasa de mutación es cero, el algoritmo funciona porque el cruce hace que haya evolución. Si la tasa de cruce es cero, la mutación hace que todos los individuos acumulen demasiados cambios. Si la tasa de cruce es cero, la mutación genera variabilidad y el algoritmo de selección hace que haya evolución. Si la tasa de cruce y la evolución son cero, el algoritmo de selección prevalece y hace que haya evolución. Es imposible que el cruce y/o mutación sean cero.

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

El conjunto de datos utilizado para establecer el valor de los pesos de una RNA es conocido como... Conjunto de prueba. Conjunto de validación. Conjunto de test. Conjunto de entrenamiento. Conjunto de normalización.

Cuando el gradiente descendente es utilizado para modificar los pesos de las conexiones de una RNA).. Si está cerca de 0, el mínimo estará lejos y serán necesarios más saltos para encontrarlo. Si toma un valor alto, se realizará un pequeño salto dentro del espacio de búsqueda para encontrar el mínimo. Si toma un valor bajo, se realizará un salto grande en el espacio de búsqueda para encontrar el mínimo. Es necesario modificar los pesos en la dirección del gradiente. 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... Son clasificadas en sólo dos clases y no están entremezcladas. Son clasificadas en sólo dos clases y son linealmente separables. Son clasificadas en sólo dos clases, aunque estén mezcladas, no sean linealmente separables o tengan ruido. Son clasificadas en sólo dos clases y no tengan ruido. Son clasificadas en sólo dos clases y sigan una distribución normal.

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

La función de transferencia de ... Puede ser hiperbólica. Puede ser treshold / hard limiter. Puede ser sigmoidal. Puede ser logarítmica. Todas son correctas.

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

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

En una RNA, el conjunto de validación... se usa para evaluar la capacidad de generalización de la red. debe ser linealmente separable. realiza la modificación de los pesos con el algoritmo correspondiente. no realiza la modificación de los pesos, pero controla el proceso de entrenamiento y lo detiene cuando es necesario. 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?. Los de la época con el error de validación más bajo. Los de la época con el error de prueba más bajo. Los de la última época de entrenamiento. Los de la época con el gradiente más bajo. Los de la época con el error de entrenamiento más bajo.

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

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

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

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

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

En una red SOM... El vecindario determina el número de neuronas contra las que uno compite por un patrón. El vecindario de una neurona ganadora determina cuáles se modifican parcialmente. El tamaño del vecindario permanece sin cambios durante todo el proceso de entrenamiento. La topología cambia durante el entrenamiento. 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 todas las neuronas en la capa de competencia. Consigo misma recursivamente. Solo con neuronas que alguna vez han sido ganadoras. Se conecta con todas y cada una de las neuronas presentes en el modelo. Todas son falsas.

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

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

¿Cuál de las siguientes opciones describe correctamente los orígenes de los Algoritmos Genéticos y la Programación Genética?. Fueron desarrollados por John von Neumann en la década de 1950. Son el resultado de avances en inteligencia artificial en la década de 1980. Tienen sus raíces en los trabajos de Charles Darwin y Alfred Wallace sobre evolución y selección natural. Fueron propuestos por Charles Babbage durante la Segunda Guerra Mundial. 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?. Aprendizaje Hebbiano. Teoría de la Conservación de Lamarck. Teoría de la Evolución de Darwin. Leyes de Mendel. Deriva genética.

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?. Siembra. Elitismo. Aprendizaje Lamarckiano. Estado Estable. 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?. Tasa de cruce de 0.9 y ratio de mutación de 0.01. Tasa de cruce de 0.9 y ratio de mutación de 0.001. Tasa de cruce de 1.0 y ratio de mutación de 0.01. Tasa de cruce de 1.0 y ratio de mutación de 0.001. Tasa de cruce de 0.7 y ratio de mutación de 0.1.

¿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?. 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. Selección por ruleta, donde los individuos se asignan a sectores de una ruleta con igual probabilidad de ser seleccionados. Selección por torneo, donde los individuos se agrupan en subconjuntos y el individuo con el mejor valor de aptitud es seleccionado para cada grupo. Selección por torneo, donde los individuos compiten en pares y el ganador se selecciona con una probabilidad proporcional a su aptitud. 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.

¿Qué se encuentra en el "core" de los principales avances tecnológicos actuales y de los próximos años?. La rama de la inteligencia artificial subsimbólica. La rama de la inteligencia artificial simbólica. La computación cuántica. Todas las anteriores. Ninguna de las anteriores.

En la evolución histórica de los sistemas conexionistas, ¿cuáles son precursores biológicos?. Donald Hebb. Santiago, Ramón y Cajal. Warren McCulloch. Todos los anteriores. Ninguno de los anteriores.

¿Qué pretende la IA como ciencia y como ingeniería?. Conocer cómo funcionan los seres inteligentes y que pueden hacer con la ayuda de los computadores. Cómo hacer que los computadores hagan las cosas que hacen las personas inteligentes. Como superar el Régimen de Lovelace. Construír o implementar "Sistemas Inteligentes": SCx, SS.EE, ... Todas las anteriores son correctas.

¿Características específicas de los sistemas inteligentes?. Intencionalidad: comportamiento guiado por metas. Incapacidad de conocer y proyectar el "hoy sostenido". Ser metódico, no innovador. Tener efecto serendípico. Ninguna de las anteriores está relacionada.

¿Cuál es el principal trabajo científico en el que se basa la IA?. The nature of Explanation (W. Craik). Behaviour, purpose and teleology (Wiener, Rosemblueth y Bigelow). A logical calculus of the ideas inmanent in nervous activity (McCulloch Pitts). Todas las anteriores son correctas. Ninguna de las anteriores es correcta.

¿Quién acuña por primera vez y tal como se entiende hoy que es la expresión "Artificial Intelligence"?. John McCarthy. Ada Lovelace. Alan Newell y Hebert Simon. Gottfried Leibnitz. Alan Turing.

En los individuos de un sistema de Programación Genética. Los terminales son operadores. No puede haber nunca operadores aritmeticos como nodos del árbol. Los terminales pueden contener otros nodos e incluso subárboles. La raíz nunca puede ser un operador. Los terminales pueden ser constantes o variables.

Los operadores genéticos en Computación Evolutiva. Son: selección, cruce, mutación y generación. De cruce y mutación sirven para evolucionar los individuos de la población. Son operaciones que simulan la recombinación natural de las especies aplicando el cambio a fitness a cada individuo de la población. Sólo son aplicables sobre individuos de una población que sea siempre homogénea. Sólo son aplicables sobre individuos de una población que sea siempre heterogénea.