Test Sistemas de Aprendizaje Automático Tema 4

¿Cuál de las siguientes funciones de activación introduce no linealidad?. Suma. Media. ReLU. Máximo.

¿Qué mide la matriz de confusión?. Tiempos de ejecución. Errores sintácticos. Aciertos y errores de clasificación. Cantidad de capas.

¿Qué representa el valor "z" en una neurona?. Número de entradas. Salida directa. Suma ponderada más sesgo. Derivada del error.

¿Cuál es un buen tamaño para batch_size?. 13. 256. 17. 33.

¿Qué componente permite ajustar los pesos en una red neuronal?. Propagación hacia adelante. Entrenamiento supervisado. Backpropagation. Feedforward.

¿Qué parámetro define cuántas veces se pasa el dataset al modelo?. Batch size. Epoch. Optimizer. Callback.

¿Qué función convierte valores a probabilidades entre 0 y 1?. Tanh. Sigmoid. ReLU. Softmax.

¿Qué tipo de red es útil para secuencias de texto?. CNN. MLP. LSTM. SVM.

¿Qué significa "densamente conectadas" en redes neuronales?. Conexión al sistema operativo. Cada neurona se conecta con todas las de la siguiente capa. Usan muchos datos de entrada. Solo se conectan con la neurona siguiente.

¿Qué parte de la neurona artificial calcula la suma ponderada?. Función de activación. Sesgo. Núcleo. Entrada.

¿Qué tipo de problema es NO adecuado para una red neuronal?. Reconocimiento de imágenes. Clasificación de texto. Operaciones de entrada/salida de bajo nivel en sistemas. Predicción de series temporales.

¿Cuál no es una capa de una red neuronal?. Capa de entrada. Capa oculta. Capa de activación. Capa de salida.

¿Qué función activa un nodo solo si la entrada es mayor que 0?. ReLU. Sigmoid. Tanh. Linear.

¿Qué es una neurona en una red neuronal?. Un sensor. Una función de pérdida. Una función que se activa con entradas ponderadas. Un optimizador.

¿Qué función se usa normalmente en la capa de salida para clasificación binaria?. ReLU. Tanh. Sigmoid. Softmax.

¿Qué tipo de problema puede resolver una red neuronal?. Clasificación. Segmentación. Traducción. Todas las anteriores.

¿Cuál es un optimizador adecuado para datos escasos?. RMSprop. SGD. Adagrad. Adam.

¿Qué arquitectura se basa en filtros aplicados a regiones pequeñas?. LSTM. MLP. CNN. RNN.

¿Cuál es el propósito del sesgo (bias) en una neurona?. Evitar el overfitting. Ajustar la activación sin entrada. Aumentar la tasa de aprendizaje. Medir el error.

¿Cuál de estas capas es la primera en una red neuronal?. Oculta. Salida. Entrada. Intermedia.

¿Qué red es más adecuada para clasificación binaria?. Perceptrón multicapa. RNN. LSTM. CNN.

¿Qué red neuronal tiene memoria a largo plazo?. Perceptrón multicapa. CNN. LSTM. Feedforward.

¿Qué elemento se ajusta en el entrenamiento para mejorar el modelo?. Salidas. Pesos. Funciones de activación. Número de capas.

¿Qué mide la función de pérdida?. El número de capas. La precisión de entrenamiento. La distancia entre predicción y valor real. El tiempo de entrenamiento.

¿Qué hace el optimizador Adam?. Estima la función de pérdida. Usa aprendizaje supervisado. Ajusta los pesos combinando varias técnicas. Aumenta el número de capas.

¿Cuál es una ventaja de usar redes neuronales profundas?. Menor consumo energético. Requieren pocos datos. Mayor capacidad para resolver problemas complejos. No necesitan entrenamiento.

¿Qué ocurre durante el entrenamiento?. Solo se definen las capas. Se cargan los datos. Se ajustan pesos para minimizar error. Se guarda el modelo.

¿Qué arquitectura crea ciclos al incluir estados anteriores?. CNN. RNN. MLP. LSTM.

¿Cuál es el rol principal de las capas ocultas?. Generar la salida final. Ajustar el bias. Procesar la información. Recibir entradas del usuario.

¿Qué arquitectura de red se usa para reconocimiento de imágenes avanzado?. RNN. LSTM. CNN. MLP.