SISTEMAS DE APRENDIZAJE AUTOMÁTICO

La inteligencia artificial débil es un concepto totalmente diferente al de la inteligencia artificial estrecha. ¿Verdadero o Falso?. Verdadero. Falso.

¿Qué dos campos de estudio convergen en la inteligencia artificial actual?. La didáctica y la ética. La lógica y la ética. La psicología y la neurología. La estadística y el aprendizaje automático.

Podemos ver sistemas basados en inteligencia artificial en. La unidad de control de un vehículo autónomo. En películas y libros de ciencia ficción. El sistema logístico de un gran operador como Amazon. El sistema de control de tráfico aéreo internacional.

El Teorema de Bayes sirve para calcular. la probabilidad de una causa, conocida su consecuencia. cuántas veces se va a dar un fenómeno en la naturaleza. la probabilidad de que algo ocurra. Ese teorema no existe.

Alexa, Siri o Google Assistant son ejemplos de. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial general. Ninguna de las anteriores.

Según Andrew Ng, profesor de inteligencia artificial en Stanford: El desarrollo del machine learning se ha basado en la disponibilidad de datos y la escala computacional. El machine learning es cosa del pasado. La inteligencia artificial solo es estadística con un toque estético. El machine learning se ha desarrollado gracias al estudio de la evolución humana.

¿Cuál de éstas no es una ventaja de la inteligencia artificial débil?. Actualmente es relativamente sencilla de conseguir y desarrollar. Se controla más fácilmente y no presenta comportamientos demasiado inesperados. Permite arquitecturas modulares. Sirve para adaptarse a cualquier contexto e improvisar.

Desde el punto de vista de la filosofía respecto a la IA fuerte, se tiende a la idea: Hoy día se prefiere hablar de lógicas «de ayuda» a la creación o a la toma de decisiones más que de máquinas que remplazarían al hombre. Una IA fuerte acabará tarde o temprano con la humanidad. En realidad, todos estamos en una simulación controlada por una IA fuerte, sin saberlo. La IA fuerte es Dios.

El sistema Gato de Deepmind es la primera inteligencia artificial que se ha logrado desarrollar. ¿Verdadero o Falso?. Verdadero. Falso.

¿Existe actualmente alguna aplicación que haga uso de la inteligencia artificial fuerte?. Sí, los asistentes virtuales lo son. Sí, es un robot que trabaja en Amazon. No, las ha habido, pero se han quedado obsoletas. No, aún no se ha conseguido.

La inteligencia artificial fuerte. Es un tipo de inteligencia artificial que puede desarrollar tareas muy diferentes entre sí. Es un tipo de inteligencia artificial que hace muy bien una tarea concreta. Es un modelo que está aún sin terminar. Ninguna de las anteriores.

Los coches autónomos son un caso de. Inteligencia artificial fuerte. Inteligencia artificial general. Inteligencia artificial débil. Inteligencia artificial de Asimov.

¿Qué es Gato, el nuevo modelo desarrollado por Deepmind?. Es una inteligencia artificial generalista que puede llevar a cabo hasta 604 tareas diferentes. Es un algoritmo de aprendizaje automático que analiza textos. Es un modelo de inteligencia artificial que resuelve las búsquedas que la gente hace en Google. Ninguna de las anteriores.

El Teorema de Bayes enunciado por el matemático inglés Thomas Bayes (1702-1761) es un sistema de cálculo de probabilidades pero hecho de forma inversa a cómo se calculan habitualmente. ¿Verdadero o Falso?. Verdadero. Falso.

Blake Lemoine, un ingeniero de Google se refirió al sistema de IA en el que trabajaba, LaMDA, como una máquina pensante y sintiente, y Google ha confirmado que así es . ¿Verdadero o Falso?. Verdadero. Falso.

Gato, el nuevo modelo de Deepmind, puede llevar a cabo muchas tareas porque. Está compuesto por muchos algoritmos diferentes conectados entre sí. Es una inteligencia artificial fuerte. Ha sido entrenado con variables provenientes de diferentes contextos. Hay alguien programando las soluciones detrás.

El nombre del algoritmo KNN viene de: la media de los valores de K elementos. los K vecinos más cercanos. el uso de K redes neuronales. ninguna de las anteriores.

¿La existencia de una inteligencia artificial fuerte implicaría el surgimiento de la conciencia artificial?. Sí, son dos conceptos que van íntimamente ligados. Sí, ya hemos visto cómo la inteligencia artificial LaMDA tiene conciencia propia. No, no está relacionado a priori. No, las inteligencias artificiales fuertes que hay ahora mismo no tienen conciencia propia.

El algoritmo KNN es un modelo de machine learning para problemas de. Clasificación. Regresión. Detección de anomalías. Generación de textos.

El algoritmo KNN se entrena y aprende del conjunto de datos, extrayendo el patrón de comportamiento de dichos datos, por lo que ya no los necesitará para hacer sus predicciones. ¿Verdadero o Falso?. Verdadero. Falso.

La mayoría de los desarrollos actuales de inteligencia artificial. No consiguen alcanzar el grado de capacidad humano. Igualan las capacidades humanas. En inteligencia artificial estrecha, se suelen superar las capacidades humanas. Ninguna de las anteriores.

La inteligencia artificial débil. Es un tipo de inteligencia artificial que puede desarrollar tareas muy diferentes entre sí. Es un tipo de inteligencia artificial que hace muy bien una tarea concreta. Es un modelo que está aún sin terminar. Ninguna de las anteriores.

Wasserman diferencia la estadística del machine learning en que. la estadística se encarga de las fórmulas y el machine learning de los cálculos. en nada; afirma que son lo mismo. la estadística modeliza problemas de baja dimensión mientras que el machine learning hace predicciones de alta dimensión. Ninguna de las anteriores.

Los desarrollos actuales de aprendizaje automático se ajustan al concepto de. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial general. Ninguna de las anteriores.

¿Cuál de estos algoritmos de machine learning se considera un modelo probabilístico?. las redes neuronales profundas. los árboles de decisión. el algoritmo de Naive Bayes. las máquinas de vectores soporte.

Gato, la inteligencia artificial generalista de Deepmind, es capaz de realizar muchas tareas diferentes, pero no las realiza tan bien como las inteligencias artificiales que realizan cada una de ellas. ¿Verdadero o Falso?.

El Teorema de Bayes proporciona un modelo probabilístico para describir la relación entre los datos y una hipótesis. ¿Verdadero o Falso?.

Los algoritmos de recomendación simulan muy bien una característica humana, pero sin embargo son ejemplo de inteligencia artificial débil. ¿Verdadero o Falso?.

Las técnicas de aprendizaje automático, básicamente, miran el problema desde fuera y configuran sus propias reglas para emular el comportamiento del sistema. ¿Verdadero o Falso?.

La inteligencia artificial fuerte y la inteligencia artificial general son lo mismo. ¿Verdadero o Falso?.

En el algortimo kNN que significa el parámetro k. Número de vecinos a considerar. Radio de la distancia a considerar. Métrica de la distancia a considerar. Ponderación de la contribución de vecinos.

Qué tamaño tendría la matriz de confusión en el problema de clasificar móviles en gama baja, gama media, gama alta y ejecutivo. 1 fila y 1 columna. 2 filas y 2 columnas. 3 filas y 3 columnas. 4 filas y 4 columnas.

La separación entre datos de entrenamiento y datos de test normalmente es de. Entre un 10 y un 40% para datos de test y entre un 60 y un 90% para datos de entrenamiento. Entre un 10 y un 40% para datos de entrenamiento y entre un 60 y un 90% para datos de test. 50% para datos de test y otro 50% para datos de entrenamiento. El porcentaje no es relevante a la hora de dividir los datos.

Cual de los siguientes no es un criterio de parada en el algoritmo de construcción de árboles de decisión. Maximun Branch. Leaf Size. max_depth. deep_size.

Qué tamaño tendría la matriz de confusión en problemas de clasificación binaria. 1 fila y 1 columna. 2 filas y 2 columnas. 3 filas y 3 columnas. 4 filas y 4 columnas.

En la matriz de confusión qué indican los valores de la diagonal principal. Número de aciertos obtenido. Número de errores obtenido. La diagonal principal puede contener valores de aciertos y de errores. Ninguna es correcta.

Qué hace la función accuracy_score. Compara dos listas de Python y nos da un valor entre 0 y 1 con el porcentaje de similitud. Compara dos listas de Python y nos da un valor entre 0 y 100 con el porcentaje de similitud. Compara dos listas de Python y nos da un valor entre 0 y 1 con el porcentaje de diferencia. Compara dos listas de Python y nos da un valor entre 0 y 100 con el porcentaje de diferencia.

Para entrenar un modelo no se deben usar todos los datos, se deben reservar algunos para comprobar su bondad. Verdadero. Falso.

Qué hace el siguiente código. from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(x_datos, y_datos, random_state=1). Separa los datos entre entrenamiento y test. Separa las etiquetas de los datos. Separa las outliers de los datos. Separa los datos con valor nulo.

Qué hace el siguiente código. x_datos = datos.drop('species', axis = 1) y_datos = datos['species']. Separa los datos entre entrenamiento y test. Separa las etiquetas de los datos. Separa las especies que son outliers. Separa sólo las especies que no tienen valor.

Dado el siguiente código. # Instanciar el modelo from sklearn.naive_bayes import GaussianNB modelo = GaussianNB() # Entrenar el modelo modelo.fit(x_train, y_train) # Realizar una predicción y_predict = modelo.predict(x_test) # Evaluar el modelo from sklearn.metrics import accuracy_score accuracy_score(x_test, x_predict). El código es correcto. El código no es correcto puesto que la predicción debe hacerse sobre los datos de test. El código no es correcto puesto que se está entrenando con datos separados en x e y. El código no es correcto porque en la evaluación deberían compararse y_test con y_predict.

El siguiente código muestra un mapa de calor. import seaborn as sns sns.set() sns.heatmap(datos.corr(), square=True, annot=True). El mapa de calor es útil para ver la relación entre variables. El mapa de calor sólo se usa en problemas de regresión. El mapa de calor sólo se usa en problemas de clasificación. El mapa de calor no es útil ni en problemas de regresión ni de clasificación.

El algoritmo kNN se usa para problemas de. Clasificación y regresión. Sólo clasificación. Sólo regresión. Análisis clúster.

Con Scikit-learn podemos visualizar de manera gráfica el árbol de decisión resultante. Verdadero. Falso.

Qué metricas de error se usan en los problemas de clasificación. Porcentaje de elementos clasificados correctamente. Error absoluto medio. Error cuadrático medio. Todas son correctas.

Qué metricas de error se usan en los problemas de regresión. Porcentaje de elementos clasificados correctamente. Error absoluto medio. Matriz de confusión. Todas son correctas.

En el algortimo kNN que significa el parámetro w. Número de vecinos a considerar. Radio de la distancia a considerar. Métrica de la distancia a considerar. Ponderación de la contribución de vecinos.

Dado el siguiente código. # Instanciar el modelo from sklearn.naive_bayes import GaussianNB modelo = GaussianNB() # Entrenar el modelo modelo.fit(x_train, y_train) # Realizar una predicción y_predict = modelo.predict(x_train) # Evaluar el modelo from sklearn.metrics import accuracy_score accuracy_score(y_test, y_predict). El código es correcto. El código no es correcto puesto que la predicción debe hacerse sobre los datos de test. El código no es correcto puesto que se está entrenando con datos separados en x e y. El código no es correcto porque se evalúa sólo y pero no x.

Cuál de las siguientes opciones son los 5 pasos en orden a seguir a la hora de resolver problemas de aprendizaje supervisado. Preproceso datos, separación de datos entre entrenamiento y test, entrenamiento, predicción y evaluación. Separación de datos entre entrenamiento y test, preproceso datos, predicción, entrenamiento y evaluación. Preproceso datos, separación de datos entre entrenamiento y test, predicción, entrenamiento y evaluación. Preproceso datos, separación de datos entre entrenamiento y test, entrenamiento, evaluación y predicción.

En los clasificadores Naive Bayes. Como la probabilidad que se den los valores a1, ..., an es constante no tenemos que calcular P(a1, ..., an). Verdadero. Falso.

En la matriz de confusión qué indican los valores de la diagonal secundaria. Número de aciertos obtenido. Número de errores obtenido. La diagonal secundaria puede contener valores de aciertos y de errores. Ninguna es correcta.

Qué hace LabelEncoder. Asigna un número por cada valor de la etiqueta. Codifica las etiquetas usando valores hash. Codifica las etiquetas con el contador de veces que aparecen. Asigna un autonumérico a cada registro.

from sklearn.metrics import ConfusionMatrixDisplay ConfusionMatrixDisplay.from_predictions(y_test, y_predict). La matriz de confusión sólo es útil en los problema de clasificación. La matriz de confusión sólo es útil en los problema de regresión. La matriz de confusión es útil en tanto en los problemas de regresión como de clasificación. La matriz de confusión se usa para al principio del problema para ver la relación entre variables.

Para calcular la distancia Manhattan se usan los valores absolutos de las diferencias de las características. Verdadero. Falso.

El algoritmo Naive Bayes se usa para problemas de. Clasificación y regresión. Sólo clasificación. Sólo regresión. Análisis clúster.

En el algoritmo kNN se usa la función distancia Manhattan para. Etiquetas con números reales. Etiquetas con números enteros. Etiquetas con valores alfanuméricos. Etiquetas con valores ordinales.

En el algoritmo kNN se usa la función distancia euclídea para. Etiquetas con números reales. Etiquetas con números enteros. Etiquetas con valores alfanuméricos. Etiquetas con valores ordinales.

En la implementación de árboles de decisión de Scikit-learn qué significa max_depth. Criterio de parada profundidad máxima del árbol. Profundidad máxima de los datos a estudiar. Profundidad máxima de valores de etiquetas posibles. Número de nodos hoja máximo.

Qué tamaño tendría la matriz de confusión en el problema de clasificar flores iris en setosa, versicolor y virgínica. 1 fila y 1 columna. 2 filas y 2 columnas. 3 filas y 3 columnas. 4 filas y 4 columnas.

Un árbol muy profundo tiende a sobreaprender. Verdadero. Falso.

La inteligencia artificial débil todavía no se ha conseguido llevar a la realidad, solo existe en la ciencia ficción. Verdadero. Falso.

Hay aplicaciones de inteligencia artificial débil reales, no sólo en el cine o la ciencia ficción. Verdadero. Falso.

¿Qué modelo es capaz, actualmente, de llevar a cabo varias tareas en contextos diferentes?. Gato, de DeepMind. Dalle2, de openAI. Watson, de IBM.

Supongamos que tenemos los datos médicos de pacientes y a cada uno de ellos la etiqueta de si sufre problema cardíaco o no. ¿Qué tipo de problema de aprendizaje supervisado sería?. Clasificación. Regresión. Análisis clúster.

Si disponemos de datos junto con su etiqueta objetivo, estamos ante: Aprendizaje supervisado. Aprendizaje no supervisado.

Si disponemos de una serie de datos que no están etiquetados, estamos ante: Aprendizaje supervisado. Aprendizaje no supervisado.

En Python no es importante tener correctamente tabulado el código. Verdadero. Falso.

Las cadenas de caracteres en Python se pueden encerrar entre comillas simples o dobles. Verdadero. Falso.

Los datos de una tupla creada en Python se pueden modificar. Verdadero. Falso.

Una lista puede usarse como índice en un diccionario. Verdadero. Falso.

Supongamos que tenemos datos de altura en metros y peso en kg de una seríe de personas. ¿Sería conveniente escalar esos datos?. Verdadero. Falso.

Un outlier que sabemos que no es una observación influyente habría que eliminarlo para continuar con nuestro estudio. Verdadero. Falso.

Para entrenar el modelo se usan todos los datos disponibles, no se separan. Verdadero. Falso.