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

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

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

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

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

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

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

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

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

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

A) Para aumentar el tamaño de los datos de entrenamiento.
B) Para evaluar el rendimiento del modelo durante el entrenamiento.
C) Para reemplazar los equipos de prueba.
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) Flujo tensorial
C) MySQL
D) Ventanas

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

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

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

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

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

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

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

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

A) Utiliza el conocimiento adquirido en una tarea para mejorar el desempeño en una tarea relacionada.
B) Cambia modelos de un conjunto de datos a otro sin realizar cambios.
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) Maximizar el volumen del conjunto de datos.
D) Utilizando aprendizaje profundo para clasificación.

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

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

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

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