Aprendizaje automático

1. El aprendizaje automático es una rama de la inteligencia artificial que se centra en el desarrollo de algoritmos y modelos que permiten a los ordenadores aprender y tomar decisiones basadas en datos. Consiste en crear sistemas que puedan aprender automáticamente y mejorar por sí mismos sin ser programados explícitamente. Los algoritmos de aprendizaje automático pueden analizar grandes cantidades de datos, identificar patrones y hacer predicciones o tomar decisiones con una intervención humana mínima. Estos algoritmos se utilizan en diversas aplicaciones, como el reconocimiento de imágenes y del habla, los sistemas de recomendación, los vehículos autónomos, el diagnóstico médico y muchas otras. Al aprovechar el poder del aprendizaje automático, las organizaciones pueden extraer información valiosa de los datos y mejorar los procesos de toma de decisiones, lo que conduce a soluciones más eficientes e innovadoras.

¿Qué es el aprendizaje automático?

A) Rama de la inteligencia artificial que permite a las máquinas aprender de los datos.
B) Método de control de máquinas físicas mediante intervención humana.
C) Tipo de software utilizado para jugar a videojuegos.
D) Lenguaje de programación utilizado para diseñar chips informáticos.

2. ¿Cuál de los siguientes es un ejemplo de aprendizaje no supervisado?

A) Clasificación
B) Agrupación
C) Regresión lineal
D) Árboles de decisión

3. ¿De qué es responsable la función de activación utilizada en una red neuronal?

A) Introducir la no linealidad en la red.
B) Convertir directamente la entrada en salida.
C) Entrenamiento de la red mediante retropropagación.
D) Almacenamiento de información para uso futuro.

4. ¿Qué algoritmo se utiliza habitualmente para el aprendizaje por refuerzo?

A) Q-Learning
B) SVM
C) K-Means
D) Bosque aleatorio

5. ¿Qué método se utiliza para reducir la dimensionalidad de los datos en el aprendizaje automático?

A) Árboles de decisión
B) Análisis de componentes principales (ACP)
C) Bayes ingenuo
D) Descenso gradual

6. ¿Qué papel desempeña una función de pérdida en el aprendizaje automático?

A) Optimiza el modelo mediante retropropagación.
B) Cuantifica la diferencia entre los valores previstos y los reales.
C) Normaliza los datos antes del entrenamiento.
D) Selecciona las mejores características para el modelo.

7. ¿Qué es la ingeniería de características en el aprendizaje automático?

A) Regularizar el modelo para evitar el sobreajuste.
B) Proceso de selección y transformación de las características de entrada para mejorar el rendimiento del modelo.
C) Evaluación del modelo mediante validación cruzada.
D) Entrenar un modelo sin datos.

8. ¿Para qué sirve un límite de decisión en el aprendizaje automático?

A) Para separar diferentes clases en el espacio de entrada.
B) Para controlar el ritmo de aprendizaje del modelo.
C) Para minimizar la función de pérdida durante el entrenamiento.
D) Para añadir ruido a los datos.

9. ¿Qué algoritmo se utiliza habitualmente para la detección de anomalías en el aprendizaje automático?

A) Agrupación de K-means
B) SVM (máquina de vectores de apoyo)
C) Bayes ingenuo
D) Bosque aislado

10. ¿Qué técnica se utiliza para tratar los datos que faltan en el aprendizaje automático?

A) Imputación
B) Ignorar los datos que faltan
C) Añadir ruido a los datos
D) Duplicar los datos

11. ¿Qué métrica de evaluación se utiliza habitualmente para los modelos de clasificación?

A) R-cuadrado
B) Error cuadrático medio
C) Precisión
D) Error medio absoluto

12. ¿Qué método se utiliza para evitar el sobreajuste de modelos en el aprendizaje automático?

A) Eliminación de elementos clave
B) Entrenar el modelo con más datos
C) Regularización
D) Aumento de la complejidad del modelo

13. ¿Qué método se utiliza para evaluar el rendimiento de un modelo de aprendizaje automático?

A) Comprobación de la complejidad computacional
B) Adivinando
C) Utilizar sólo datos de entrenamiento
D) Validación cruzada

14. ¿Qué algoritmo se utiliza habitualmente para tareas de clasificación en el aprendizaje automático?

A) Análisis de componentes principales (ACP)
B) Agrupación de K-means
C) Regresión lineal
D) Máquina de vectores soporte (SVM)

15. ¿Qué función se utiliza habitualmente como función de pérdida en la regresión lineal?

A) Entropía cruzada
B) Pérdida de troncos
C) Error cuadrático medio (RMSE)
D) Error cuadrático medio (ECM)

16. ¿Qué algoritmo se utiliza habitualmente para tratar conjuntos de datos desequilibrados en el aprendizaje automático?

A) AdaBoost
B) PCA (Análisis de Componentes Principales)
C) Vecinos más próximos a K (KNN)
D) SMOTE (Técnica de sobremuestreo sintético de minorías)

17. ¿Qué método se utiliza para optimizar los hiperparámetros en los modelos de aprendizaje automático?

A) Centrarse en un único hiperparámetro
B) Ignorar los hiperparámetros
C) Búsqueda en la cuadrícula
D) Selección aleatoria de hiperparámetros

18. ¿Qué tipo de algoritmo de aprendizaje automático es adecuado para predecir un valor continuo?

A) Agrupación
B) Reducción de la dimensionalidad
C) Regresión
D) Clasificación

19. ¿Cuál de los siguientes es un algoritmo de aprendizaje supervisado?

A) Regresión lineal
B) Agrupación de K-means
C) Árbol de decisión
D) Análisis de componentes principales

20. ¿Qué método se utiliza para actualizar los pesos de una red neuronal durante el entrenamiento?

A) Retropropagación
B) Inicialización aleatoria
C) Normalización por lotes
D) Parada anticipada

21. ¿Cuál es el equilibrio entre sesgo y varianza en el aprendizaje automático?

A) El equilibrio entre la adaptación insuficiente y la adaptación excesiva.
B) El compromiso entre exactitud y precisión.
C) El equilibrio entre la complejidad del modelo y la generalizabilidad.
D) El equilibrio entre el tiempo de formación y el rendimiento del modelo.

22. ¿Qué técnica se utiliza para evitar el sobreajuste en las redes neuronales?

A) Abandono
B) Escalado de características
C) Descenso gradual
D) Normalización por lotes

Examen creado con That Quiz — donde se hacen ejercicios de matemáticas y más.