SI (Subsimbolica) - UDC

Una definición correcta para IA sería... El estudio del comportamiento inteligente y su implementación en elementos artificiales que lo reproduzcan. La disciplina que busca replicar las funciones cognitivas del cerebro humano mediante algoritmos matemáticos y redes neuronales artificiales para resolver problemas complejos de forma autónoma. Es el campo de la informática encargado de crear sistemas capaces de pensar, razonar y tomar decisiones como lo haría un ser humano, incluyendo conciencia y comprensión real del mundo. El desarrollo de máquinas que pueden aprender de forma autónoma a partir de grandes volúmenes de datos, mejorando continuamente su rendimiento sin intervención humana. Es la ciencia que estudia cómo dotar a los ordenadores de capacidades sensoriales, emocionales e intuitivas similares a las de los humanos para interactuar naturalmente con su entorno.

Entre los precursores de la IA, se encuentra. Palancas con ruedas dentadas. Homúnculos. Ciborgs. Ábaco. Todas son correctas.

Fue el pionero en cuanto al pensamiento actual sobre las IA. Turing. Pascal. Leibnitz. Freege. Boole.

La primera máquina de comportamiento adaptativo es. Perceptron. ChatGPT. ADALINE. MADALINES. RNA MAD.

La primera neurona adaptativa lineal. Perceptron. ChatGPT. ADALINE. MADALINES. RNA MAD.

Primer RNA aplicado a un problema del mundo real (filtros de ruido). Perceptron. ChatGPT. ADALINE. MADALINES. RNA MAD.

La rama bioevolutiva de la IA. Busca capacidades de sistemas simples, como la precisión y la velocidad. Busca mayor capacidad adaptativa y eficiencia. Busca algoritmos evolutivos y programación genética. Busca ant-colony, coevolución y vida artificial. Busca evolucionar el software por etapas o epochs para conseguir mejor rendimiento.

La rama Neuroglial de la IA. Busca capacidades de sistemas simples, como la precisión y la velocidad. Busca mayor capacidad adaptativa y eficiencia. Busca algoritmos evolutivos y programación genética. Busca ant-colony, coevolución y vida artificial. Busca evolucionar el software por etapas o epochs para conseguir mejor rendimiento.

La rama Genética de la IA. Busca capacidades de sistemas simples, como la precisión y la velocidad. Busca mayor capacidad adaptativa y eficiencia. Busca algoritmos evolutivos y programación genética. Busca ant-colony, coevolución y vida artificial. Busca evolucionar el software por etapas o epochs para conseguir mejor rendimiento.

La rama social de la IA. Busca capacidades de sistemas simples, como la precisión y la velocidad. Busca mayor capacidad adaptativa y eficiencia. Busca algoritmos evolutivos y programación genética. Busca ant-colony, coevolución y vida artificial. Busca evolucionar el software por etapas o epochs para conseguir mejor rendimiento.

Escoja la opción correcta con respecto al elemento de procesado EP. Las señales de E/S de una RNA son números reales. Las señales de E/S de una RNA son números naturales. Las señales de E/S de una RNA son valores discretos. Las señales de E/S de una RNA son números reales positivos. Las señales de E/S de una RNA son números reales sin irracionales.

Escoja la opción correcta con respecto a los elementos de procesado EP. Los valores de entrada pueden o no encontrarse dentro de un intervalo. Las conexiones codifican el conocimiento de la red. Las neuronas presentan un bias con un valor aleatorio adaptado al problema. Las conexiones dentro de una red no pueden ser inexistentes, deben ser excitatorias o inhibitorias. Todas son correctas.

Escoja la opción correcta con respecto a los elementos de procesado EP. El conjunto de datos de entrenamiento no presenta ni pesos ni bias. La modificación de los pesos de las conexiones y bias se denomina entrenamiento. Para cada aprendizaje se necesitan las entradas y se infieren las salidas. A partir de los datos de entrenamiento, se le fijan valores de pesos y bias. Las neuronas toman datos de entrada pero no reciben las salidas que estos deberían generar.

Cuál de las siguientes afirmaciones sobre el LMS es falsa?. Durante el aprendizaje, se fijan los valores de los pesos de las conexiones y de las bias. El algoritmo de aprendizaje que tiene es supervisado. La corrección de errores cuadráticos medio se calcula para cada instancia a partir de la salida que emite la red y la salida deseada para ese ejemplo. La función de pérdida toma la diferencia entre la salida deseada y la obtenida al cuadrado. La función de coste y la función de pérdida coinciden en este tipo de algoritmo.

Cuál de las siguientes afirmaciones sobre la corrección de errores de LMS es falsa?. Se calcula para cada una de las instancias a partir de la salida obtenida y la deseada. Se calcula para una de las instancias a partir de la salida obtenida y la deseada. Se calcula para todas las instancias a partir de la salida obtenida y la deseada. Se calcula para algunas de las instancias (pseudoaleatorio) a partir de la salida obtenida y la deseada. Se calcula para todas las instancias a partir de la salida obtenida y la entrada original.

Cuál de las siguientes afirmaciones sobre la función de pérdida de LMS es falsa?. Es el cuadrado del error para un ejemplo dividido entre 2. Es la diferencia entre la salida obtenida y la deseada al cuadrado. Es la diferencia entre la salida obtenida y la entrada original. Es la misma que la función de coste. Es la multiplicación entre la entrada por el peso que tiene.

Qué método usa LMS para minimizar el error según W?. Se deriva con respecto a W para minimizar el gradiente. Se integra con respecto a W para minimizar el gradiente. Se deriva con respecto a W para maximizar el gradiente. Se integra con respecto a W para maximizar el gradiente. Ninguna de las anteriores.

Asumiendo que con un gradiente descendente de error, el peso actual obtenido cae por debajo de la pendiente. Cuál de las siguientes afirmaciones sería correcta?. Si dicho punto está más cerca de un mínimo o máximo, la modificación del peso será menor. Si dicho punto está más cerca de un mínimo o máximo, la modificación del peso será mayor. Si dicho punto está más lejos de un mínimo o máximo, la modificación del peso será menor. Si dicho punto está más lejos de un mínimo o máximo, menor será la magnitud de la pendiente. Si dicho punto está más cerca de un mínimo o máximo, mayor será la magnitud de la pendiente.

Asumiendo que con un gradiente descendente de error, se ha calculado una pendiente de -6.8, llamada A, y la otra de -0.9, llamada B. Cuál de las dos presenta un valor de peso ideal?. A, porque el valor es más pequeño. B, porque el valor es más grande. Ni A como B están en el rango de peso ideal (valores positivos). Ni A ni B, porque el valor de peso ideal sería de 0. Tanto A como B están en el rango de peso ideal (valores negativos).

Asumiendo que con un gradiente descendente de error, hemos obtenido un punto que queda por debajo de la gráfica. Qué deberíamos hacer para calcular su valor de peso?. Conseguir la derivada de la pendiente reflejada en la curva y ajustar los pesos para que estos se acerquen a 0. Conseguir la derivada de la pendiente reflejada en la curva y ajustar los pesos para que estos se acerquen a 1. Conseguir la derivada de la pendiente reflejada en la curva. Conseguir el punto reflejado en la curva y, a partir de su pendiente, crear una función de corrección. Conseguir la derivada de la pendiente reflejada en la curva y, a partir de su pendiente, crear una función de corrección.

Qué es el vector delta en un proceso LMS?. Es la diferencia entre el vector de pesos ideal y el vector de pesos actual. Es el mínimo global del hyperparaboloide. Es el resultado el RMS. Es el vector asociado al peso en el eje Y. Es la magnitud de cambio W(t) según la derivada del error.

En LMS, cuál de las siguientes opciones es correcta respecto a la tasa de aprendizaje de LMS?. Con un μ alto, vemos datos en ambas partes de la pendiente de error, acercándose al valor de peso ideal. Con un μ alto, vemos datos en la misma parte de la pendiente, acercándose al valor de peso ideal. Con un μ alto, vemos datos en la misma parte de la pendiente, acercándose al vector delta. Con un μ bajo, vemos datos en la misma parte de la pendiente, acercándose al vector delta. Con un μ bajo, vemos datos en ambas partes de la pendiente de error, acercándose al vector delta.

Uno de estos pasos no es correcto con respecto al algoritmo de LMS, escoja al impostor. Se inicializan los pesos con datos fijos. Se aplica un ejemplo de entrada. Se computa la salida que emite la red. Se calcula el error cometido para dicho ejemplo. Si el ECM es un valor aceptable, se termina el proceso, sino se aplica de nuevo un ejemplo de entrada.

Si quisiésemos que el algoritmo de LMS no fuese dependiente del orden de introducción de los ejemplos de entrenamiento, cuál de las siguientes opciones seguiríamos?. Calcularíamos el ECM sobre todos los ejemplos, no sobre cada uno. Calcularíamos el ECM sobre un grupo de tamaño k de datos aleatorios, no sobre cada uno. Actualizaríamos las conexiones antes de calcular el ECM de cada uno de los ejemplos. Computaríamos las salidas de la red después de calcular el ECM para conseguir los pesos ajustados. No existe manera de hacer independiente el algoritmo del orden de introducción de ejemplos.