INTRODUCCIÓN AL APRENDIZAJE AUTOMÁTICO

Multiple Choice

¿Cuál fue el impacto del programa de damas desarrollado por Arthur Samuel en 1959 en el campo de la inteligencia artificial?

• Demostró que las máquinas podían aprender y mejorar su rendimiento a través de la experiencia.
• Introdujo el concepto de redes neuronales profundas para el aprendizaje supervisado.
• Estableció las bases para el análisis de datos en tiempo real.
• Implementó algoritmos de clustering para clasificar patrones en juegos de mesa.

Multiple Choice

¿Qué permite el aprendizaje automático o Machine Learning?

• Crear modelos que no dependen de patrones en los datos.
• Usar dispositivos para realizar cálculos matemáticos complejos.
• Extraer patrones y relaciones en los datos para predecir comportamientos y tomar decisiones.
• Diseñar sistemas computacionales sin necesidad de datos.

Multiple Choice

¿Qué son los \"datos de entrenamiento\" y cuál es su importancia en el Aprendizaje Automático?

• Son datos que el modelo usa para formar patrones y aprender a hacer predicciones futuras.
• Son datos irrelevantes que no afectan el aprendizaje del modelo.
• Son datos generados por el modelo después de entrenarse.
• Son datos que eliminan patrones para evitar predicciones erróneas.

Multiple Choice

¿Qué papel juegan los \"patrones\" en el Aprendizaje Automático?

• Permiten que el modelo elimine datos irrelevantes.
• Ayudan al modelo a identificar relaciones en los datos y realizar predicciones.
• Son generados por el modelo después de entrenarse.
• Evitan que el modelo cometa errores en las decisiones.

Multiple Choice

¿Qué implica que un programa de computadora aprenda de la experiencia E?

• Que mejora su rendimiento en tareas T, medido por P, gracias a la experiencia E.
• Que elimina la necesidad de medir el rendimiento en tareas T.
• Que depende exclusivamente de la programación explícita para realizar tareas T.
• Que no requiere experiencia previa para mejorar su rendimiento.

Multiple Choice

¿Cuál es la principal diferencia entre el Aprendizaje No Supervisado y el Aprendizaje Supervisado?

• El Aprendizaje No Supervisado predice el futuro, mientras que el Aprendizaje Supervisado encuentra patrones específicos.
• El Aprendizaje Supervisado utiliza datos históricos para predecir el futuro, mientras que el Aprendizaje No Supervisado entiende los datos y realiza evaluaciones cualitativas o indirectas.
• Ambos enfoques se basan en maximizar los hallazgos en un entorno determinado.
• El Aprendizaje No Supervisado utiliza modelos predictivos, mientras que el Aprendizaje Supervisado utiliza modelos descriptivos.

Multiple Choice

¿Qué caracteriza al Aprendizaje Supervisado en Machine Learning?

• Utiliza modelos descriptivos para entender los datos.
• Predice el futuro a partir de datos históricos y resuelve problemas de clasificación y regresión.
• No realiza predicciones, encuentra algo específico en los datos.
• Maximiza los hallazgos en un entorno determinado.

Multiple Choice

¿Cuál es la diferencia clave entre el aprendizaje supervisado y el no supervisado en Machine Learning?

• 1. El aprendizaje supervisado utiliza datos etiquetados, mientras que el no supervisado utiliza datos no etiquetados.
• 2. El aprendizaje supervisado predice el futuro, mientras que el no supervisado analiza datos históricos.
• 3. El aprendizaje supervisado utiliza algoritmos de clustering, mientras que el no supervisado utiliza algoritmos de clasificación.
• 4. El aprendizaje supervisado no requiere datos de entrenamiento, mientras que el no supervisado sí los requiere.

Multiple Choice

¿Qué representa el aprendizaje supervisado?

• Que el supervisor elimina datos incorrectos
• Que el sistema mapea entradas con salidas previamente conocidas
• Que el modelo trabaja con datos no estructurados
• Que el algoritmo genera datos sin etiquetas

Multiple Choice

¿Quién proporciona los valores correctos de salida en el aprendizaje supervisado?

• Un generador aleatorio
• Un sistema de clustering
• Un supervisor o experto
• El propio algoritmo

Multiple Choice

¿Cuál de los siguientes algoritmos NO pertenece al aprendizaje supervisado?

• Redes neuronales
• Naive Bayes
• SVM
• K-means

Multiple Choice

¿Qué aplicación del aprendizaje supervisado se menciona en el texto?

• Gestión de sensores
• Diseño de videojuegos
• Predictivo de mercado bursátil
• Generación de imágenes

Multiple Choice

caracteriza el aprendizaje no supervisado?

• Busca relaciones sin conocer los datos de salida
• Se basa en datos etiquetados definidos por expertos
• Requiere modelos predictivos entrenados
• Mapea entradas y salidas ya conocidas

Multiple Choice

¿Cuál es el objetivo del aprendizaje no supervisado?

• Aplicar modelos supervisados sobre datos nuevos
• Eliminar la intervención humana en la programación
• Encontrar regularidades o patrones en la entrada
• Generar predicciones exactas sobre el futuro

Multiple Choice

¿Qué es el clustering?

• Un método para reducir variables
• Un proceso para agrupar elementos similares y distintos de otros
• Una técnica para analizar redes sociales
• Un algoritmo para predecir datos futuros

Multiple Choice

¿Cuál de los siguientes es un algoritmo de clustering?

• Regresión lineal
• Árboles de decisión
• K-means
• Redes neuronales

Multiple Choice

¿Qué técnica se utiliza para reducir el número de variables en una colección de datos?

• Clustering
• Reducción de dimensionalidad
• Análisis de redes sociales
• Segmentación de mercado

Multiple Choice

¿Cuál de las siguientes es una aplicación del clustering?

• Análisis de datos astronómicos
• Predicción de valores futuros
• Optimización de redes neuronales
• Clasificación supervisada

Multiple Choice

¿Cuál de los siguientes es un algoritmo utilizado en aprendizaje por refuerzo?

• Árboles de decisión
• Q-learning
• Redes neuronales convolucionales
• Análisis de regresión

Multiple Choice

¿Qué caracteriza al aprendizaje por refuerzo?

• Se basa en etiquetas previas
• Utiliza recompensas para mejorar decisiones
• Requiere supervisión constante
• Agrupa datos similares

Multiple Choice

¿Cuál es el objetivo principal del aprendizaje por refuerzo?

• Minimizar errores en datos etiquetados
• Encontrar patrones en datos no estructurados
• Maximizar recompensas acumuladas
• Clasificar datos en categorías

Multiple Choice

¿Cuál es una aplicación del aprendizaje por refuerzo mencionada en el texto?

• Clasificación de imágenes
• Predicción de valores bursátiles
• Navegación de coches autónomos
• Análisis de sentimientos