Técnicas de Inteligencia Artificial

Indica cuáles de las siguientes afirmaciones son correctas: La escuela de la Inteligencia Artificial Fuerte defiende que las máquinas pueden llegar a tener conciencia. La escuela de la Inteligencia Artificial Débil no defiende que los procesos cerebrales puedan ser simulados en un computador. El juego de imitación de Turing consiste en que una máquina consiga mantener una conversación tal y como lo haría un humano. Las técnicas de aprendizaje automático no forman parte del campo de la inteligencia artificial.

Indica cuál de las siguientes afirmaciones no es correcta: La minería de datos utiliza técnicas de aprendizaje automático para descubrir patrones en grandes cantidades de datos. La minería de datos tiene un objetivo fundamentalmente teórico. Existe una fase en los procedimientos KDD que consiste en ejecutar técnicas de inteligencia artificial. En los procedimientos KDD, previo a la fase de minería de datos, se dan otras fases de selección y transformación de los datos.

Indica cuál de las siguientes afirmaciones no es correcta respecto a la experiencia en el aprendizaje de conceptos. La experiencia: Consiste en un conjunto de objetos específicos denominados instancias. Consiste en una serie de ejemplos y no-ejemplos. Consiste en una serie de instancias con atributos de entrada y de salida. Consiste en un conjunto de datos denominado datos de prueba.

Identificar la clase de una instancia desconocida en base a sus atributos, que se presentan comunes a ejemplos previos encontrados de esa clase es una tarea de: Discriminación. Generalización. Clasificación. Descripción.

Una tarea de aprendizaje consiste en descubrir los síntomas comunes de un grupo de pacientes que presentan una enfermedad bien conocida. Se trata de un problema de aprendizaje de tipo: Supervisado. No-supervisado.

Una tarea de aprendizaje consiste en descubrir los síntomas comunes de un grupo de pacientes con diagnóstico desconocido. Se trata de un problema de aprendizaje de tipo: Supervisado. No-supervisado.

Indica cuál de las siguientes afirmaciones no es cierta, respecto al descubrimiento de conocimiento en bases de datos: Es un procedimiento completo necesario para extraer conocimiento a partir de los datos de una base de datos. Sea cual sea el procedimiento KDD las fases siempre son las mismas. La interpretación de los resultados forma parte del procedimiento KDD. Es un proceso que puede ser iterativo.

Indica cuál de las siguientes afirmaciones no es correcta: Los datos de entrenamiento son un conjunto de instancias. Los datos de entrenamiento pueden contener no-ejemplos. Los atributos son denominados también ejemplos. Al concepto que se aprende se le llama también clase. El concepto es un conjunto de instancias.

Indica cuáles de las siguientes afirmaciones son correctas respecto al aprendizaje de conceptos: Los problemas de aprendizaje se resuelven a veces como una búsqueda en un espacio de hipótesis. Siempre se aplican las técnicas de búsqueda de la mejor hipótesis sobre el espacio completo de posibles hipótesis. El tamaño de los datos de entrenamiento no influye en el resultado del aprendizaje. El tamaño de los datos de entrenamiento no influye en el resultado del aprendizaje. El sobreajuste consiste en generalizar demasiado.

Indica cuál de las siguientes frases no es correcta respecto a un sistema experto: Se incorpora en el sistema el conocimiento de un experto humano. Raramente se ha aplicado un sistema experto a un problema real con éxito. Suele estar limitado a un dominio de conocimiento. Puede ser complementado con técnicas de aprendizaje automático como las redes neuronales para obtener reglas a partir de grandes cantidades de datos que el experto humano es incapaz de obtener.

Indica la respuesta correcta: Python es un lenguaje fuertemente tipado y de tipado estático. Python es un lenguaje de programación declarativo. Python es un lenguaje de programación imperativo, fuertemente tipado, de tipado dinámico. Python es un lenguaje de programación multiparadigma y débilmente tipado.

Indica el resultado por pantalla de la siguiente sentencia en Python: print(int(2 + 2j)). 2. 2 + 2j. 0. Resultará un error.

Si en Python la variable x es una cadena str cuyo contenido es "Bienvenidos", ¿cuál será el resultado de la siguiente sentencia? print(x[-4:-2]). [-4 -3 -2]. Error. id. -6.

Indica la respuesta incorrecta, cuando hablamos de Python: Las listas son colecciones ordenadas y cuyos elementos pueden ser modificados. Las tuplas son colecciones no ordenadas y cuyos elementos no pueden ser modificados. Los conjuntos son colecciones no ordenadas y cuyos elementos no pueden estar duplicados. Los diccionarios son colecciones no ordenadas de elementos clave-valor que pueden ser modificados.

Si en un programa en Python existe una variable x de tipo tupla y realizamos la asignación y = x, señale la opción correcta: Al modificar un elemento de y, el mismo elemento en x se verá modificado. Al modificar un elemento de y, el mismo elemento en x no se verá modificado. No podemos modificar ningún elemento de y, por ser una tupla. Ninguna de las anteriores es correcta.

Si en un programa en Python existe una variable x de tipo lista y realizamos la asignación y = x, señale la opción correcta: Al modificar un elemento de y, el mismo elemento en x se verá modificado. Al modificar un elemento de y, el mismo elemento en x no se verá modificado. No podemos modificar ningún elemento de y, por ser una tupla. Ninguna de las anteriores es correcta.

¿Cuál de las siguientes preguntas es correcta?. TensorFlow fue desarrollada por Google Brain. Pandas permite la carga sencilla de datasets en CSV. Keras es una librería especialmente enfocada para trabajar con redes neuronales artificiales. Todas las anteriores.

¿Con qué función se puede importar un dataset en formato CSV desde un archivo local o una URL?. pandas.read_csv(). pandas.read_url(). pandas.import_csv(). pandas.import_dataset().

¿Cuál es el objetivo de TensorFlow Lite?. Para el uso de librerías gratuitas. TensorFlow Lite no existe. Para su uso con el lenguaje Go. Para su uso en dispositivos móviles con reducida capacidad de cálculo.

Para mostrar gráficos por pantalla aplicando técnicas machine learning con Python, emplearía: Keras. Scikit-learn. Matplotlib. SciPy.

Marca de las siguientes opciones aquellas en las que resulta adecuado utilizar un árbol de decisión en la tarea de aprendizaje: No se conoce la clase de las instancias disponibles. La función objetivo tiene valores de salida discretos. Existen varios atributos de salida. Los datos de entrenamiento contienen errores.

Indica cuál de las siguientes afirmaciones es correcta: El método de selección de los atributos especifica una heurística para seleccionar el atributo que mejor discrimina los ejemplos para una clase. Un algoritmo básico de construcción de árboles de decisión recibe como entrada los datos de entrenamiento y los atributos de las instancias, y obtiene como salida un método de selección de atributos. El método codicioso es un método de selección de atributos. C4.5 no utiliza un método de selección de atributos.

Cuando se tienen atributos con un gran número de posibles valores ¿qué método de selección de atributos conviene utilizar?. Ganancia de información. Proporción de ganancia. Indice Gini. Longitud de descripción mínima.

Indica cuáles de las siguientes afirmaciones son correctas respecto a ID3: ID3 se basa en el método codicioso o greedy. ID3 considera como heurística que el atributo cuyo conocimiento aporta mayor información en la predicción de la clase es el más útil. ID3 utiliza la medida de proporción de ganancia. ID3 trabaja con un espacio de hipótesis incompleto.

Indica las respuestas correctas en relación con los métodos de aprendizaje integrado: En los métodos stacking se utilizan los mismos datos de entrada a diferentes algoritmos en paralelo. Finalmente se utiliza un algoritmo decisor para dar la respuesta final. En los métodos bagging se utilizan el mismo tipo de algoritmos en paralelo, a los cuales se pasa como entrada diferentes subconjuntos aleatorios a partir del dataset inicial. Random forest es un tipo de método boosting utilizando árboles de decisión en serie. En los métodos boosting se parte de un dataset inicial y se entrenan diferentes algoritmos uno a uno secuencialmente, introduciendo como entrada de cada algoritmo un conjunto aleatorio del dataset inicial.

Indica cuáles de las siguientes afirmaciones son correctas respecto a C4.5: C4.5 utiliza la medida de proporción de ganancia. C4.5 utiliza un método de prepoda. C4.5 poda el árbol utilizando datos de prueba. C4.5 realiza una poda una vez se ha generado el árbol.

Indica cuáles de las siguientes afirmaciones son correctas respecto al método de validación cruzada: Utiliza un conjunto de datos de validación y un conjunto de datos de entrenamiento. La validación cruzada divide los datos disponibles en dos subconjuntos. La validación cruzada no se puede utilizar para evaluar la efectividad de una poda. Cuando se tienen pocos datos no conviene utilizar la validación cruzada con k iteraciones.

Indica cuáles de las siguientes afirmaciones son correctas respecto a las medidas de precisión en la clasificación: La tasa de error de una muestra es el cociente entre el número de instancias erróneamente clasificadas y el número total de instancias. Cuanto mayor sea el número de instancias, el intervalo de confianza será mayor. C4.5 utiliza los propios datos de entrenamiento para calcular la tasa de error. Cuanto mayor nivel de confianza se requiere se obtiene un intervalo de confianza menor.

Completa esta sentencia con la opción correcta: «La clasificación mediante árboles de decisión es una tarea de aprendizaje de tipo [...]»: Supervisado. No-supervisado. Supervisado y no-supervisado. Ninguna de las anteriores.

Indica cuáles de las siguientes afirmaciones son verdaderas: El algoritmo ID3 permite valores numéricos en los atributos. El algoritmo C4.5 permite valores numéricos en los atributos de salida. Los algoritmos ID3 y C4.5 permiten valores nominales en los atributos de salida. El algoritmo C4.5 permite valores numéricos y nominales en los atributos de entrada.

Si en un problema se desea identificar los síntomas correspondientes a tres enfermedades conocidas, las técnicas apropiadas para resolver el problema son (selecciona las opciones adecuadas): Árboles de decisión. Algoritmo apriori. Algoritmo de recubrimiento secuencial. Algoritmo PRISM.

Si en un problema se desea identificar relaciones entre síntomas de personas que presentan ciertas enfermedades, las técnicas apropiadas son: Árboles de decisión. Algoritmo apriori. Algoritmo de recubrimiento secuencial. Algoritmo PRISM.

Indica cuáles de las siguientes afirmaciones son verdaderas: Las reglas de clasificación predicen la clase. Las reglas de asociación predicen combinaciones de atributos o la propia clase. Los algoritmos que aprenden reglas de asociación buscan combinaciones de pares atributo-valor que ocurren con cierta frecuencia. Las reglas de asociación tienen el mismo objetivo que las reglas de clasificación.

Si se quiere conocer el porcentaje de ejemplos que cumplen una regla respecto del total de ejemplos, se ha de aplicar la medida de: Cobertura. Soporte. Confianza. Cubierta.

Si se quiere conocer el porcentaje de ejemplos que cumplen una regla respecto de todos los ejemplos que sólo cumplen el antecedente, se ha de aplicar la medida de: Cobertura. Soporte. Confianza. Cubierta.

¿Cuáles de los siguientes algoritmos se puede emplear para el aprendizaje de reglas de clasificación?. PRISM. C4.5. Apriori. ID3.

Indica cuál de las siguientes afirmaciones es correcta: No es posible mapear árboles de decisión a reglas de clasificación. Los algoritmos de recubrimiento secuencial aprenden una regla en cada iteración. En cada iteración, el algoritmo de recubrimiento secuencial exige que la regla cubra todos los ejemplos positivos. Apriori es un algoritmo de recubrimiento secuencial.

Indica cuáles de las siguientes afirmaciones son correctas: El procedimiento básico, para aprender una regla, utilizado en los algoritmos de recubrimiento secuencial tiene como parámetro el conjunto de todas las clases. El procedimiento, básico para aprender una regla, utilizado en los algoritmos de recubrimiento secuencial añade a la regla un único par atributo-valor en cada iteración. El procedimiento de recubrimiento secuencial devuelve una única regla. El algoritmo de recubrimiento secuencial elimina los ejemplos cubiertos por la regla generada en cada iteración.

Indica cuáles de las siguientes afirmaciones son correctas respecto al algoritmo PRISM: Es un algoritmo de recubrimiento secuencial. Utiliza la medida de precisión o confianza para generar las reglas. Parte de la regla más específica alcanzando la más general. Es un algoritmo de generación de conjuntos de reglas de los más simples.

Indica cuáles de las siguientes afirmaciones son verdaderas respecto al algoritmo apriori: Genera ítem-sets. Utiliza la medida de confianza para evaluar las reglas obtenidas. No genera reglas sino ítem-sets. Valora los ítem-sets generados mediante una medida de confianza.

Indica cuáles de las siguientes afirmaciones son correctas: Las neuronas artificiales simulan el comportamiento de las neuronas biológicas. Las neuronas artificiales pueden tener varias salidas que toman valores diferentes. Las neuronas artificiales pueden tener varias entradas que toman valores diferentes. Las entradas de las neuronas artificiales se ponderan con un peso.

Selecciona las opciones correctas. En la fase de entrenamiento de una red neuronal: Se ajusta el número de capas de la red neuronal. Se ajustan los pesos de los enlaces que conectan las neuronas. Se ajusta el número de neuronas por capa de la red neuronal. Ninguna de las anteriores.

Indica cuál de las afirmaciones siguientes son correctas respecto a la regla de aprendizaje del perceptrón: Se utiliza para calcular las salidas de la red. Utiliza la diferencia entre la salida real y la salida esperada para ajustar los pesos. Se puede establecer una tasa de aprendizaje en la regla que pondera la relevancia del último peso calculado. Se utiliza para ajustar los pesos de la red.

Indica cuáles de las siguientes funciones pueden ser utilizadas como funciones de activación en redes neuronales: Función escalón. Función sigmoide. Función tangente hiperbólica. Todas las anteriores son correctas.

Selecciona la opción más correcta. El funcionamiento de una red neuronal queda determinado por: El número de capas, número de neuronas y las conexiones entre neuronas. El número de capas, número de neuronas y las conexiones entre neuronas. El algoritmo de aprendizaje, la regla de aprendizaje, el número de capas, número de neuronas y las conexiones entre neuronas. El algoritmo de aprendizaje, la función de activación, el número de capas, número de neuronas y las conexiones entre neuronas.

Indica cuáles de las siguientes afirmaciones son correctas: Las redes neuronales multicapa son redes bidireccionales. Las redes neuronales multicapa son redes asociativas. Las redes neuronales multicapa son redes de alimentación hacia adelante. Las redes neuronales multicapa son redes unidireccionales.

Indica cuáles de las siguientes afirmaciones son correctas respecto de las redes multicapa de retropropagación: Todas las neuronas de una capa se conectan con todas las neuronas de las capas posteriores. Para el ajuste de los pesos se utiliza el gradiente del error. Para el ajuste de los pesos se utiliza el error cuadrático medio. Se utilizan las mismas fórmulas para calcular los pesos relativos a las neuronas de salida y los relativos a las neuronas ocultas.

Indica cuáles de las siguientes afirmaciones son correctas respecto de las redes recurrentes: Emulan la capacidad de almacenamiento de la memoria humana. Emulan la capacidad de asociación de la memoria humana. Las salidas de la red alimentan las entradas. La red Hopfield es una red recurrente.

Indica cuáles de las siguientes afirmaciones son correctas respecto de las redes Hopfield: El estado de la red viene determinado por los pesos de los enlaces. El objetivo es que la red sea capaz de almacenar unos determinados estados. El objetivo es que la red sea capaz de almacenar unas memorias fundamentales. No es preciso comprobar que la red sea capaz de almacenar memorias fundamentales.

Indica cuáles de las siguientes afirmaciones son correctas respecto de las redes Hopfield: Son redes bidireccionales asociativas. Se utilizan en reconocimiento de imágenes. Siempre alcanzan un estado estable correspondiente a una memoria fundamental. Con pocas neuronas y conexiones son capaces de almacenar una gran cantidad de información.

¿Cuáles de las siguientes ramas pertenecen al aprendizaje automático clásico?. Aprendizaje supervisado. Aprendizaje ensemble. Deep Learning. Aprendizaje por refuerzo.

Indica todas las respuestas correctas. Los autoencoders: Siempre tienen un número par de capas. Son redes neuronales asimétricas. Se pueden emplear para la compresión de imágenes. Son un tipo de redes convolucionales profundas.

Señala todas las respuestas correctas. Los clasificadores Naïve Bayes: Son un tipo de redes de creencias. Son un tipo de redes Bayesianas. Se basan en que las características son fuertemente dependientes entre sí. Tienen un número impar de capas de neuronas recurrentes.

Señala todas las respuestas correctas. Las redes generativas antagónicas: Están siempre formadas por una red convolucional y una red deconvolucional. Pueden estar formadas por una red convolucional y una red prealimentada. Están formadas por una red generativa y una red discriminativa. No son apropiadas para aplicaciones Deepfake al no ser redes profundas.

Señala todas las respuestas incorrectas. Las técnicas de aprendizaje por refuerzo: Están siempre basadas en algoritmos evolutivos. Están siempre basadas en algoritmos evolutivos. Nunca requieren un dataset de entrenamiento, pues no necesitan modelos. Se pueden aplicar para crear software que comercie de forma automatizada.

En un escenario de aprendizaje por refuerzo, un agente actúa con una tasa de exploración igual a 0.9 en un momento dado. Señala las respuestas incorrectas: En el estado actual, el agente explorará el 90 % del entorno y, tras ello, dará por finalizada la iteración. Existe una probabilidad del 10 % de que el agente decida explorar el entorno. Existe una probabilidad del 90 % de que el agente no decida explotar las recompensas existentes en el entorno por medio de sus acciones. Decidirá explorar el entorno con un 90 % de probabilidades solo si esta es su primera iteración.

Señala las respuestas correctas. Las memorias de largo y corto plazo (LSTM – long and short-term memories): Surgieron para mejorar los perceptrones multicapa, incrementando el número de capas ocultas. Tienen celdas especiales en las que un valor puede ser almacenado, leído o restablecido, por medio de puertas de entrada, salida y olvido. Son menos expresivas que su variación las Gated recurrent units (GRU). Son apropiadas para aplicaciones de reconocimiento de voz.

Señala todas las respuestas correctas: TensorFlow es una librería de redes neuronales utilizada como alternativa a Keras. TensorFlow solo puede ser empleado bajo lenguaje Python. TensorFlow Lite permite la aplicación de redes neuronales en dispositivos móviles. TensorFlow es una librería específica para resolver problemas de mecánica mediante análisis numérico.

Señala todas las respuestas correctas: El algoritmo Q-Learning puede trabajar con datos de entrenamiento etiquetados y no etiquetados. El algoritmo Q-Learning presenta un problema de sobreestimación del valor de la acción en algunos escenarios. El algoritmo Double Q-Learning utiliza siempre dos redes neuronales con la misma arquitectura de capas. El algoritmo Double Q-Learning presenta un problema de sobreestimación del valor de la acción en todos los escenarios.

Señala todas las respuestas correctas: Las redes deconvolucionales pueden aplicarse para obtener una imagen sintética a partir de una etiqueta. Las redes gráficas inversas convolucionales profundas (DCIGN) son autoencoders variacionales en los que cuales se utilizan dos redes deconvolucionales. Las redes convolucionales no son aptas para aplicaciones de reconocimiento facial. En las redes convolucionales la última etapa de convolución se conecta siempre a una etapa deconvolucionadora para obtener las probabilidades de que una entrada pertenezca a una clase.

Indica cuáles de las siguientes afirmaciones son correctas: El clústering permite agrupar objetos similares entre sí. El clústering es un método de aprendizaje supervisado. El clústering puede resultar útil como etapa previa a la aplicación de un método de aprendizaje supervisado. El clústering da lugar a árboles de decisión.

Indica cuál de las siguientes afirmaciones es correcta: Diferentes algoritmos de clústering dan lugar a los mismos agrupamientos finales. Los algoritmos jerárquicos aglomerativos generan clústeres pequeños que iterativamente van agrupando entre sí. Los agrupamientos solapados se obtienen aplicando algoritmos de clústering jerárquicos. Los algoritmos de clústering no permiten detectar datos anómalos.

Si se pretende generar agrupamientos exclusivos se ha de aplicar: Algoritmo Fuzzy C-means. Algoritmo k-means. Algoritmo EM. Ninguno de los anteriores.

Si se pretende crear agrupamientos con formas irregulares se ha de aplicar: Algoritmo k-means. Algoritmos basados en densidad. Algoritmo Fuzzy C-means. Ninguno de los anteriores.

Si se pretende modelar los clústeres mediante una función probabilista se ha de aplicar: Algoritmo Fuzzy C-means. Algoritmo k-means. Algoritmo EM. Ninguno de los anteriores.

Si se mide la similitud entre dos clústeres mediante la medida de enlace completo: Se tiene en cuenta la similitud entre los dos puntos más cercanos de ambos clústeres. Se tiene en cuenta la similitud entre los dos puntos más lejanos de ambos clústeres. Se tiene en cuenta la distancia promedio que existe entre todos los puntos de ambos clústeres. Se tiene en cuenta la distancia entre los centroides de ambos clústeres.

Indica cuáles de las siguientes afirmaciones, respecto del algoritmo k-means, son correctas: El algoritmo k-means asigna los objetos a los clústeres en función de su cercanía al centroide de cada clúster. En cada iteración el algoritmo k-means mantiene fijos los centroides. Es un algoritmo basado en densidad. En cada iteración el algoritmo recalcula los centroides.

Indica cuáles de las siguientes afirmaciones, respecto a los algoritmos de clústering jerárquicos, son correctas: Se utiliza la medida de utilidad de la categoría para realizar particiones. En un algoritmo divisorio inicialmente a cada clúster se le asigna un objeto. Utilizan una matriz de similitud para llevar a cabo la decisión de agrupar clústeres. Se puede utilizar la medida de enlace promedio para calcular las distancias entre clústeres.

Indica cuáles de las siguientes afirmaciones son correctas respecto al algoritmo EM: Es un algoritmo basado en densidades. Tiene como base el modelo estadístico denominado mezclas finitas. El objetivo es conocer los parámetros de una función probabilista general que modela los clústeres. En la fase de esperanza se calculan las probabilidades de pertenencia de las instancias a los clústeres.

Indica cuáles de las siguientes afirmaciones son correctas respecto al algoritmo Fuzzy C-means: Una instancia puede pertenecer a más de un clúster si se aplica el algoritmo Fuzzy C-means. Las variables de entrada son conjuntos difusos. Los clústeres se modelan como conjuntos difusos. Permite obtener clústeres jerárquicos.

Los sistemas que utilizan valoraciones de los usuarios para recomendar contenidos emplean técnicas de: Filtrado demográfico. Filtrado colaborativo. Filtrado basado en contenidos. Filtrado basado en usuarios.

Los sistemas que utilizan información descriptiva de los contenidos para recomendar contenidos emplean técnicas de: Filtrado demográfico. Filtrado colaborativo. Filtrado basado en contenidos. Filtrado basado en usuarios.

Indica cuáles de las siguientes afirmaciones son correctas: Se pueden utilizar árboles de decisión o reglas inducidas para representar el perfil del usuario en un sistema recomendador. Algunos sistemas recomendadores utilizan técnicas de clústering para generar grupos de usuarios con perfil similar. Las técnicas de clústering no son utilizadas por los sistemas recomendadores. Los sistemas de recomendación nunca solicitan información al usuario de manera explícita.

Indica cuáles de las siguientes afirmaciones son correctas: Los sistemas de filtrado colaborativo basado en ítems calculan la similitud entre ítems. Los sistemas de filtrado colaborativo basado en ítems calculan la similitud entre usuarios. Los sistemas de filtrado basado en contenidos calculan la similitud entre ítems. Los sistemas de filtrado colaborativo basado en usuarios calculan la similitud entre ítems.

Slope One es un algoritmo empleado en los sistemas de: Filtrado demográfico. Filtrado colaborativo basado en usuarios. Filtrado basado en contenidos. Filtrado colaborativo basado en ítems.

La función de predicción de la valoración de un ítem en el algoritmo Slope One se basa en: La media de valoraciones dadas al ítem por los usuarios. La media de la diferencia de valoraciones entre ítems. La mediana de valoraciones dadas al ítem por los usuarios. El valor máximo de la diferencia de valoraciones entre ítems.

Marca las frases que son correctas respecto al algoritmo de filtrado colaborativo ítem a ítem: Se basa en encontrar ítems similares. Se basa en encontrar usuarios similares. Se basa en metadatos de los ítems. Se basa en datos binarios como las adquisiciones o no adquisiciones de los ítems por parte de los usuarios.

¿Qué sistemas presentan problemas para recomendar ítems recientemente incorporados al sistema?. Filtrado colaborativo basado en usuarios. Filtrado basado en contenidos. Filtrado colaborativo basado en ítems. Ninguno de los anteriores.

Indica cuáles de las siguientes afirmaciones son correctas respecto al modelo TF-IDF. Es un modelo utilizado en los sistemas recomendadores basados en contenidos. Utiliza la similitud del coseno para medir la similitud entre documentos. Utiliza la función TF-IDF para calcular la similitud entre documentos. Favorece a los documentos largos frente a los cortos.

Algunos problemas que los recomendadores basados en contenido presentan son: Al usuario no siempre le interesan los ítems similares. Cuando un ítem no está valorado no es recomendado. No tienen en cuenta información subjetiva. No puede ofrecer información a usuarios atípicos, que no son similares a otros usuarios.

Indica cuáles de las siguientes afirmaciones son correctas respecto a los problemas de búsqueda de estados: La resolución de un problema mediante búsqueda conlleva definir únicamente dos descriptores: los de operación y los de estado. Los descriptores de operación indican el orden en que se aplican los operadores a los diferentes estados para llegar al estado objetivo. La búsqueda de estados se aplica en juegos y en robótica. La resolución de un problema de búsqueda se puede describir como la búsqueda de un camino a través de un conjunto de estados que permite alcanzar un estado objetivo desde un estado inicial.

Cuando se conoce un estado inicial y múltiples estados objetivos, ¿qué búsqueda es más conveniente aplicar en principio?. Búsqueda hacia adelante. Búsqueda hacia atrás.

Si he de justificar el motivo por el que se da un razonamiento se suele utilizar: Búsqueda hacia adelante. Búsqueda hacia atrás.

Indica cuáles de las siguientes afirmaciones son correctas respecto a los algoritmos de búsqueda a ciegas: La búsqueda en amplitud sigue una estrategia LIFO para expandir los nodos. La búsqueda en profundidad garantiza que se encuentre la solución por el camino más corto. La búsqueda en profundidad no tiene en cuenta ninguna información sobre el problema. La búsqueda en profundidad iterativa intenta combinar las ventajas de la búsqueda en amplitud y la búsqueda en profundidad.

Indica cuáles de las siguientes afirmaciones son correctas respecto a los algoritmos de búsqueda heurística: Utilizan información heurística que es información sobre el problema para encontrar la solución. El heurístico es una función que permite garantizar encontrar la solución óptima. Facilitan la aceleración de la búsqueda. El heurístico puede utilizarse para, una vez expandido el nodo, decidir qué nodo hijo ha de ser considerado en primer lugar.

Indica la afirmación correcta relacionada con la búsqueda heurística: La escalada por máxima pendiente presenta problemas de máximos locales, pero no de mesetas. La escalada simple considera todos los posibles movimientos a partir del estado actual, escogiendo el mejor de ellos. El algoritmo de búsqueda «primero el mejor» puede presentar problemas de memoria. El heurístico en un algoritmo A* ha de ser admisible, esto es, no debe sobreestimar el coste desde el nodo origen al nodo actual.

Si no se dispone de información útil de un problema de búsqueda, ¿qué método de los siguientes se podría en principio aplicar para resolverlo?. Búsqueda en profundidad. Búsqueda “mejor el primero”. Escalada por máxima pendiente. Ninguno de los anteriores.

Si se dispone de información útil de un problema de búsqueda, ¿qué método de los siguientes se podría, en principio, aplicar para resolverlo?. Búsqueda en profundidad iterativa. Búsqueda en profundidad acotada. Búsqueda «mejor el primero». Ninguno de los anteriores.

Indica cuáles de las siguientes afirmaciones relativas al algoritmo Minimax de búsqueda en juegos son ciertas: Minimax es un algoritmo utilizado en la búsqueda en juegos. El algoritmo Minimax desarrolla todo el espacio de estados. Minimax se aplica a juegos de información completa, pero suma no nula. Minimax toma las decisiones óptimas en cada jugada de tal forma que si es posible Min ganará la partida.

Si se desea minimizar el coste del proceso de búsqueda se ha de: Minimizar el coste debido a la expansión del árbol. Minimizar el coste debido a la estrategia de control. Minimizar la suma de los costes debidos a la expansión del árbol y a la estrategia de control. Minimizar los costes debidos a la expansión del árbol y utilizar el mejor heurístico posible.

Completa la siguiente sentencia con la opción adecuada: «Si no se sabe con certeza que el consecuente de las reglas es resultado de las evidencias en los antecedentes, puedo modelar el sistema utilizando […]» (varias respuestas posibles): Variables difusas. Conjuntos difusos. Factores de certeza. Inferencia bayesiana.

Completa la siguiente sentencia con la opción adecuada: «Si no se puede precisar el valor exacto de las variables en los antecedentes de las reglas, se puede diseñar el sistema utilizando […]»: Factores de certeza. Teorema de Bayes. Lógica difusa. Grados de certeza.

Indica cuales de las siguientes afirmaciones son ciertas: Una limitación de la inferencia bayesiana es que puede implicar la necesidad de conocer un gran número de probabilidades. Una ventaja de la inferencia bayesiana es que el coste computacional es bajo. Una ventaja de utilizar factores de certeza frente a inferencia bayesiana es que el primero implica menos coste computacional. Un factor de certeza puede tener un valor negativo.

Indica la opción que finalice de manera correcta la siguiente frase: «En una regla cuyos antecedentes presentan una conjunción, el factor de certeza del consecuente se calcula de la siguiente manera [...]»: El producto del máximo factor de confianza de los antecedentes por el factor de confianza del consecuente. El producto del mínimo factor de confianza de los antecedentes por el factor de confianza del consecuente. No se utilizan factores de confianza en los antecedentes. Ninguna de las anteriores opciones es correcta.

Indica cuáles de las siguientes afirmaciones son correctas: Una gran ventaja de la lógica difusa es poder expresar las reglas mediante palabras de uso cotidiano. Las reglas en la lógica difusa emplean variables numéricas. La lógica difusa se basa en el uso de conjuntos difusos. La función de pertenencia indica si una variable pertenece o no pertenece a un conjunto.

Indica cuáles de las siguientes afirmaciones son correctas: Una variable lingüística es una variable cuyos valores son términos lingüísticos. Los modificadores lingüísticos modelan adjetivos. Los modificadores lingüísticos modifican la forma del conjunto difuso. Las reglas difusas emplean variables lingüísticas.

Indica cuáles de las siguientes afirmaciones son correctas: Las salidas de un sistema de control difuso son variables precisas o abruptas. La base de conocimiento de un sistema de control difuso básico contiene las reglas difusas. La base de conocimiento de un sistema de control difuso básico contiene las reglas difusas. Un sistema de control difuso básico realiza una codificación, una inferencia lógica y una decodificación.

Los métodos que calculan el grado de verdad de las premisas o antecedentes de las reglas y lo aplican a la conclusión se denominan: Métodos de composición. Métodos de implicación. Modificadores. Métodos de decodificación.

Completa la siguiente frase. El método centroide es un método de: Composición. Implicación. Decodificación. Codificación.

¿A qué se refiere el método min-max?. A un método de implicación y composición. A un método de composición. A un método bayesiano. A un método de decodificación.