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

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

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

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

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

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

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

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

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

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) Optimiza el modelo mediante retropropagación.
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) Evaluación del modelo mediante validación cruzada.
C) Proceso de selección y transformación de las características de entrada para mejorar el rendimiento del modelo.
D) Entrenar un modelo sin datos.

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

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

9. ¿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 el tiempo de formación y el rendimiento del modelo.
D) El equilibrio entre la complejidad del modelo y la generalizabilidad.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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