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

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

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.

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

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.

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.

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.

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

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.

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

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.

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

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

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

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

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.

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

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

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

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.

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

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.

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.

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

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

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

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