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

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

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

A) Aprender comportamientos a través de ensayo y error.
B) Clasificar datos en categorías.
C) Para optimizar ecuaciones lineales.
D) Para asignar entradas a salidas directamente.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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) Mueve aplicaciones de software entre plataformas.
C) Transfiere datos entre diferentes usuarios.
D) Utiliza el conocimiento adquirido en una tarea para mejorar el desempeño en una tarea relacionada.

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

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

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

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

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