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

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

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

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

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

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

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

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

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

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

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

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

A) Proceso de selección y transformación de las características de entrada para mejorar el rendimiento del modelo.
B) Evaluación del modelo mediante validación cruzada.
C) Regularizar el modelo para evitar el sobreajuste.
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 añadir ruido a los datos.
D) Para minimizar la función de pérdida durante el entrenamiento.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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