La ciencia informática de la inteligencia artificial
  • 1. La ciencia informática de la inteligencia artificial (IA) abarca un vasto e intrincado campo dedicado al desarrollo de algoritmos y sistemas que permiten a las máquinas imitar las funciones cognitivas humanas. En esencia, la IA se nutre de diversas disciplinas, como las matemáticas, la estadística, la informática y la psicología cognitiva, para crear sistemas que puedan aprender, razonar y adaptarse. Conceptos fundamentales como el aprendizaje automático, en el que los algoritmos se entrenan con datos para hacer predicciones o tomar decisiones, y las redes neuronales, que se inspiran en la estructura y función del cerebro humano, sirven como piedras angulares de la investigación moderna en IA. Además, el procesamiento del lenguaje natural permite a las computadoras comprender y generar lenguaje humano, lo que facilita las interacciones entre humanos y máquinas. El campo también explora la robótica, donde la IA se integra en sistemas físicos para realizar tareas de forma autónoma, y la visión artificial, que permite a las máquinas interpretar y tomar decisiones basadas en información visual. Al aprovechar técnicas como el aprendizaje profundo, el aprendizaje de refuerzo y el aprendizaje supervisado, los investigadores continúan ampliando los límites de lo posible, lo que conduce a avances en áreas que van desde los vehículos autónomos hasta el diagnóstico de la salud. A medida que los sistemas de IA se vuelven cada vez más complejos y se integran en diversos aspectos de la sociedad, las consideraciones éticas relacionadas con la equidad, la responsabilidad y la transparencia también están captando la atención, lo que garantiza que el crecimiento de la tecnología de IA beneficie a la humanidad en su conjunto. ¿Qué tipo de aprendizaje implica entrenar un modelo en un conjunto de datos etiquetados?
A) Aprendizaje semisupervisado.
B) Aprendizaje no supervisado.
C) Aprendizaje por refuerzo.
D) Aprendizaje supervisado.
  • 2. ¿Para qué se utiliza principalmente una red neuronal?
A) Seguridad de la red.
B) Reconocimiento y clasificación de patrones.
C) Almacenamiento de datos.
D) Escribiendo código.
  • 3. ¿Qué significa “sobreajuste” en el contexto del aprendizaje automático?
A) Un modelo que aprende más rápido.
B) Un modelo que es demasiado complejo y funciona mal con datos nuevos.
C) Un modelo sin parámetros.
D) Un modelo que se generaliza bien.
  • 4. ¿Qué algoritmo se utiliza comúnmente para tareas de clasificación?
A) Máquinas de vectores de soporte.
B) Descenso de gradiente.
C) Algoritmos genéticos.
D) Agrupamiento de k-medias.
  • 5. ¿Cuál es el propósito del aprendizaje por refuerzo?
A) Para optimizar ecuaciones lineales.
B) Para asignar entradas a salidas directamente.
C) Aprender comportamientos a través de ensayo y error.
D) Clasificar datos en categorías.
  • 6. ¿Qué mide el 'Test de Turing'?
A) La capacidad de una máquina de exhibir un comportamiento inteligente equivalente al de un humano.
B) La velocidad de procesamiento de una computadora.
C) El consumo de energía de un sistema.
D) La capacidad de almacenamiento de una computadora.
  • 7. ¿Cuál es la principal ventaja del aprendizaje profundo?
A) Capacidad de aprender automáticamente características de los datos.
B) Requiere menos datos que los métodos tradicionales.
C) Funciona mejor con conjuntos de datos pequeños.
D) Más fácil de implementar que los algoritmos estándar.
  • 8. ¿Cuál de los siguientes es un algoritmo de agrupamiento?
A) K-medias.
B) Regresión lineal.
C) Árboles de decisión.
D) Bosques aleatorios.
  • 9. ¿Qué es la «minería de datos» en el contexto de la IA?
A) Limpieza de datos para análisis.
B) Cifrado de datos para mayor seguridad.
C) Almacenar grandes cantidades de datos en bases de datos.
D) Extracción de patrones e información de grandes conjuntos de datos.
  • 10. ¿Qué tipo de red neuronal es mejor para el reconocimiento de imágenes?
A) Redes neuronales convolucionales (CNN).
B) Redes de funciones de base radial.
C) Redes neuronales de propagación hacia adelante.
D) Redes neuronales recurrentes (RNN).
  • 11. ¿Cuál es el beneficio de utilizar un conjunto de validación?
A) Para evaluar el rendimiento del modelo durante el entrenamiento.
B) Para hacer más felices a las modelos.
C) Para aumentar el tamaño de los datos de entrenamiento.
D) Para reemplazar los equipos de prueba.
  • 12. ¿Qué algoritmo se utiliza comúnmente en el aprendizaje supervisado?
A) Aprendizaje por refuerzo.
B) Agrupamiento de k-medias.
C) Regresión lineal.
D) Algoritmos genéticos.
  • 13. ¿Cuál de estos es un marco de aprendizaje profundo?
A) Ventanas
B) Flujo tensorial
C) MySQL
D) Git
  • 14. ¿Qué algoritmo se utiliza a menudo para tareas de clasificación?
A) Simulación de Monte Carlo
B) Descenso de gradiente
C) Algoritmos genéticos
D) Árboles de decisión
  • 15. ¿Cuál es una métrica de evaluación común para los modelos de clasificación?
A) Exactitud
B) Rendimiento
C) Entropía
D) Diferencia
  • 16. ¿A qué se refiere Big Data?
A) Conjuntos de datos grandes y complejos que requieren herramientas avanzadas para procesarlos.
B) Datos demasiado pequeños para el análisis.
C) Datos privados de usuario recopilados por aplicaciones.
D) Datos almacenados en una base de datos relacional.
  • 17. ¿Cuál es un ejemplo de aprendizaje no supervisado?
A) Agrupamiento
B) Predicción
C) Regresión
D) Clasificación
  • 18. ¿Cuál de los siguientes es un lenguaje de programación popular para IA?
A) Pitón.
B) C++.
C) Asamblea.
D) Formato HTML.
  • 19. ¿Cuál de estos es un algoritmo de aprendizaje de refuerzo?
A) Agrupamiento de k-medias.
B) Regresión lineal.
C) Aprendizaje Q.
D) Máquina de vectores de soporte.
  • 20. ¿Cuál es el principio clave detrás de los algoritmos genéticos?
A) Ordenación mediante clasificación rápida.
B) Iteración mediante muestreo aleatorio.
C) La supervivencia del más apto a través de la evolución.
D) Aproximación de funciones.
  • 21. ¿Cuál es una biblioteca popular para el aprendizaje automático en Python?
A) Matraz.
B) Hermosa sopa.
C) Aprendizaje Scikit.
D) Juego de pygame.
  • 22. ¿Qué hace el “aprendizaje por transferencia”?
A) Cambia modelos de un conjunto de datos a otro sin realizar cambios.
B) Utiliza el conocimiento adquirido en una tarea para mejorar el desempeño en una tarea relacionada.
C) Mueve aplicaciones de software entre plataformas.
D) Transfiere datos entre diferentes usuarios.
  • 23. ¿Cuál es el principio detrás de las máquinas de vectores de soporte?
A) Maximizar el volumen del conjunto de datos.
B) Minimizar la distancia entre todos los puntos.
C) Utilizando aprendizaje profundo para clasificación.
D) Encontrar el hiperplano que mejor separa los puntos de datos.
  • 24. ¿Qué concepto es fundamental para comprender el aprendizaje automático?
A) Sobreajuste
B) Estado latente
C) Ancho de banda
D) Rendimiento
  • 25. ¿Cuál de estas es una aplicación común de la IA?
A) Procesamiento del lenguaje natural.
B) Cálculos aritméticos básicos.
C) Procesamiento de textos.
D) Hojas de cálculo.
  • 26. ¿Cuál es el principal desafío de la IA?
A) Demasiado interés público.
B) Limitaciones de hardware.
C) Estándares de codificación uniformes.
D) Sesgo en datos y algoritmos.
  • 27. ¿En qué está inspirada una red neuronal artificial?
A) Transformaciones geométricas.
B) La Internet.
C) La estructura y funciones del cerebro humano.
D) Modelos estadísticos.
Examen creado con That Quiz — el sitio de matemáticas.