A) Aprendizaje por refuerzo. B) Aprendizaje no supervisado. C) Aprendizaje semisupervisado. D) Aprendizaje supervisado.
A) Escribiendo código. B) Reconocimiento y clasificación de patrones. C) Seguridad de la red. D) Almacenamiento de datos.
A) Un modelo que se generaliza bien. B) Un modelo que es demasiado complejo y funciona mal con datos nuevos. C) Un modelo sin parámetros. D) Un modelo que aprende más rápido.
A) Algoritmos genéticos. B) Agrupamiento de k-medias. C) Descenso de gradiente. D) Máquinas de vectores de soporte.
A) Para optimizar ecuaciones lineales. B) Para asignar entradas a salidas directamente. C) Clasificar datos en categorías. D) Aprender comportamientos a través de ensayo y error.
A) La capacidad de almacenamiento de una computadora. B) La velocidad de procesamiento de una computadora. C) El consumo de energía de un sistema. D) La capacidad de una máquina de exhibir un comportamiento inteligente equivalente al de un humano.
A) Funciona mejor con conjuntos de datos pequeños. B) Más fácil de implementar que los algoritmos estándar. C) Capacidad de aprender automáticamente características de los datos. D) Requiere menos datos que los métodos tradicionales.
A) K-medias. B) Árboles de decisión. C) Regresión lineal. D) Bosques aleatorios.
A) Limpieza de datos para análisis. B) Extracción de patrones e información de grandes conjuntos de datos. C) Cifrado de datos para mayor seguridad. D) Almacenar grandes cantidades de datos en bases de datos.
A) Redes neuronales de propagación hacia adelante. B) Redes de funciones de base radial. C) Redes neuronales recurrentes (RNN). D) Redes neuronales convolucionales (CNN).
A) Para reemplazar los equipos de prueba. B) Para evaluar el rendimiento del modelo durante el entrenamiento. C) Para aumentar el tamaño de los datos de entrenamiento. D) Para hacer más felices a las modelos.
A) Regresión lineal. B) Agrupamiento de k-medias. C) Algoritmos genéticos. D) Aprendizaje por refuerzo.
A) Git B) Ventanas C) MySQL D) Flujo tensorial
A) Árboles de decisión B) Simulación de Monte Carlo C) Descenso de gradiente D) Algoritmos genéticos
A) Entropía B) Diferencia C) Exactitud D) Rendimiento
A) Conjuntos de datos grandes y complejos que requieren herramientas avanzadas para procesarlos. B) Datos privados de usuario recopilados por aplicaciones. C) Datos almacenados en una base de datos relacional. D) Datos demasiado pequeños para el análisis.
A) Regresión B) Predicción C) Agrupamiento D) Clasificación
A) Asamblea. B) Formato HTML. C) C++. D) Pitón.
A) Máquina de vectores de soporte. B) Agrupamiento de k-medias. C) Regresión lineal. D) Aprendizaje Q.
A) Aproximación de funciones. B) Ordenación mediante clasificación rápida. C) La supervivencia del más apto a través de la evolución. D) Iteración mediante muestreo aleatorio.
A) Matraz. B) Hermosa sopa. C) Juego de pygame. D) Aprendizaje Scikit.
A) Utiliza el conocimiento adquirido en una tarea para mejorar el desempeño en una tarea relacionada. B) Cambia modelos de un conjunto de datos a otro sin realizar cambios. C) Transfiere datos entre diferentes usuarios. D) Mueve aplicaciones de software entre plataformas.
A) Maximizar el volumen del conjunto de datos. B) Utilizando aprendizaje profundo para clasificación. C) Minimizar la distancia entre todos los puntos. D) Encontrar el hiperplano que mejor separa los puntos de datos.
A) Estado latente B) Rendimiento C) Sobreajuste D) Ancho de banda
A) Procesamiento de textos. B) Hojas de cálculo. C) Procesamiento del lenguaje natural. D) Cálculos aritméticos básicos.
A) Sesgo en datos y algoritmos. B) Estándares de codificación uniformes. C) Demasiado interés público. D) Limitaciones de hardware.
A) Transformaciones geométricas. B) La estructura y funciones del cerebro humano. C) La Internet. D) Modelos estadísticos. |