A) Aprendizaje supervisado.
B) Aprendizaje no supervisado.
C) Aprendizaje por refuerzo.
D) Aprendizaje semisupervisado.

A) Reconocimiento y clasificación de patrones.
B) Seguridad de la red.
C) Almacenamiento de datos.
D) Escribiendo código.

A) Un modelo que se generaliza bien.
B) Un modelo que es demasiado complejo y funciona mal con datos nuevos.
C) Un modelo que aprende más rápido.
D) Un modelo sin parámetros.

A) Algoritmos genéticos.
B) Máquinas de vectores de soporte.
C) Descenso de gradiente.
D) Agrupamiento de k-medias.

A) Clasificar datos en categorías.
B) Para optimizar ecuaciones lineales.
C) Aprender comportamientos a través de ensayo y error.
D) Para asignar entradas a salidas directamente.

A) La capacidad de almacenamiento de una computadora.
B) La velocidad de procesamiento de una computadora.
C) La capacidad de una máquina de exhibir un comportamiento inteligente equivalente al de un humano.
D) El consumo de energía de un sistema.

A) Requiere menos datos que los métodos tradicionales.
B) Funciona mejor con conjuntos de datos pequeños.
C) Capacidad de aprender automáticamente características de los datos.
D) Más fácil de implementar que los algoritmos estándar.

A) Regresión lineal.
B) Árboles de decisión.
C) Bosques aleatorios.
D) K-medias.

A) Cifrado de datos para mayor seguridad.
B) Limpieza de datos para análisis.
C) Extracción de patrones e información de grandes conjuntos de datos.
D) Almacenar grandes cantidades de datos en bases de datos.

A) Redes de funciones de base radial.
B) Redes neuronales de propagación hacia adelante.
C) Redes neuronales recurrentes (RNN).
D) Redes neuronales convolucionales (CNN).

A) Para hacer más felices a las modelos.
B) Para aumentar el tamaño de los datos de entrenamiento.
C) Para evaluar el rendimiento del modelo durante el entrenamiento.
D) Para reemplazar los equipos de prueba.

A) Agrupamiento de k-medias.
B) Algoritmos genéticos.
C) Regresión lineal.
D) Aprendizaje por refuerzo.

A) MySQL
B) Git
C) Ventanas
D) Flujo tensorial

A) Algoritmos genéticos
B) Simulación de Monte Carlo
C) Árboles de decisión
D) Descenso de gradiente

A) Exactitud
B) Diferencia
C) Rendimiento
D) Entropía

A) Datos almacenados en una base de datos relacional.
B) Conjuntos de datos grandes y complejos que requieren herramientas avanzadas para procesarlos.
C) Datos demasiado pequeños para el análisis.
D) Datos privados de usuario recopilados por aplicaciones.

A) Clasificación
B) Agrupamiento
C) Regresión
D) Predicción

A) Formato HTML.
B) C++.
C) Asamblea.
D) Pitón.

A) Aprendizaje Q.
B) Máquina de vectores de soporte.
C) Regresión lineal.
D) Agrupamiento de k-medias.

A) Iteración mediante muestreo aleatorio.
B) La supervivencia del más apto a través de la evolución.
C) Aproximación de funciones.
D) Ordenación mediante clasificación rápida.

A) Hermosa sopa.
B) Aprendizaje Scikit.
C) Matraz.
D) Juego de pygame.

A) Transfiere datos entre diferentes usuarios.
B) Utiliza el conocimiento adquirido en una tarea para mejorar el desempeño en una tarea relacionada.
C) Mueve aplicaciones de software entre plataformas.
D) Cambia modelos de un conjunto de datos a otro sin realizar cambios.

A) Encontrar el hiperplano que mejor separa los puntos de datos.
B) Utilizando aprendizaje profundo para clasificación.
C) Minimizar la distancia entre todos los puntos.
D) Maximizar el volumen del conjunto de datos.

A) Sobreajuste
B) Estado latente
C) Ancho de banda
D) Rendimiento

A) Hojas de cálculo.
B) Procesamiento del lenguaje natural.
C) Procesamiento de textos.
D) Cálculos aritméticos básicos.

A) Estándares de codificación uniformes.
B) Demasiado interés público.
C) Limitaciones de hardware.
D) Sesgo en datos y algoritmos.

A) La Internet.
B) Modelos estadísticos.
C) La estructura y funciones del cerebro humano.
D) Transformaciones geométricas.