Preguntas sobre Perceptrones

¿Qué es un perceptrón?

• Un tipo de computadora

• Un modelo de red neuronal de una sola capa

• Un algoritmo de búsqueda

• Una técnica de compresión de datos

¿Cuál es el propósito de la función de activación en un perceptrón?

• Controlar la velocidad de aprendizaje

• Transformar la entrada neta en una salida binaria

• Regularizar los pesos de la red

• Definir el número de neuronas en la capa de entrada

¿Cuál es el objetivo principal de un perceptrón durante el entrenamiento?

• Maximizar la complejidad del modelo

• Minimizar la cantidad de datos de entrenamiento

• Ajustar los pesos y el sesgo para minimizar el error de clasificación

• No hay entrenamiento en un perceptrón

¿Cuál es la diferencia entre el aprendizaje supervisado y el aprendizaje no supervisado en el contexto de los perceptrones?

• El aprendizaje supervisado utiliza etiquetas en los datos de entrenamiento, mientras que el no supervisado no lo hace.

• El aprendizaje supervisado no utiliza datos de entrenamiento, mientras que el no supervisado sí lo hace.

• El aprendizaje supervisado ajusta los pesos, mientras que el no supervisado ajusta el sesgo.

• No hay diferencia entre ambos en el contexto de los perceptrones.

¿Qué sucede si un perceptrón no puede separar linealmente un conjunto de datos de entrenamiento?

• El perceptrón se entrena más rápido

• El perceptrón siempre encontrará una solución

• El perceptrón nunca encontrará una solución

• El perceptrón puede encontrar una solución, pero puede requerir un número infinito de iteraciones

¿Cuál es el propósito de la tasa de aprendizaje en el entrenamiento de un perceptrón?

• Controlar la velocidad a la que el modelo ajusta sus pesos

• Definir el número máximo de iteraciones

• Determinar la función de activación utilizada

• Establecer el número de capas ocultas en la red

¿Cuál es una limitación importante de los perceptrones?

• Pueden resolver cualquier tipo de problema.

• Solo pueden resolver problemas linealmente separables.

• Son extremadamente lentos en el entrenamiento.

• No pueden aprender de datos de entrada.

¿Qué se necesita para resolver problemas no linealmente separables utilizando perceptrones?

• No es posible resolver problemas no linealmente separables con perceptrones.

• Utilizar una función de activación lineal.

• Utilizar múltiples perceptrones en capas múltiples (redes neuronales profundas).

• Reducir la complejidad del problema.