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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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