Aprendizaje Supervisado Y No Supervisado

¿Qué caracteriza a la Inteligencia Artificial Fuerte?

• La habilidad de realizar únicamente tareas específicas.

• La capacidad de comprender y aprender de manera similar a la inteligencia humana.

• La limitación a tareas basadas en datos.

• Su existencia en aplicaciones actuales de IA.

¿Cuál es una característica principal de la Inteligencia Artificial Débil?

• Puede resolver problemas no anticipados.

• Tiene consciencia similar a un ser humano.

• Está diseñada para tareas específicas sin consciencia general.

• Puede aprender cualquier tarea intelectual como un humano.

¿Cuál es la principal diferencia entre IA Fuerte e IA Débil?

• Su capacidad de aprendizaje y generalidad de inteligencia.

• El tipo de tareas que pueden realizar.

• La cantidad de datos necesarios para su funcionamiento.

• La complejidad de los algoritmos utilizados.

¿El Aprendizaje Automático (ML) es lo mismo que la Inteligencia Artificial (IA)?

• Sí, son términos intercambiables.

• No, ML es un subconjunto de IA.

• ML es una parte de la IA Fuerte únicamente.

• IA es un tipo de ML.

¿Cuál es el enfoque del Aprendizaje Automático?

• Imitar el comportamiento inteligente.

  
  

• • Crear consciencia en las máquinas.

• Desarrollar algoritmos basados en datos para realizar tareas.

• Programar máquinas para realizar tareas específicas.

¿Qué es el Deep Learning en relación con el Machine Learning?

• • Un tipo diferente de IA.

• Un subconjunto de ML enfocado en redes neuronales profundas.

• • Un método de ML que no requiere datos.

• • La misma cosa que ML.

En el aprendizaje supervisado, ¿qué relación existe entre las variables de entrada y salida?

• • No hay relación.

• • La relación es determinada únicamente por el algoritmo.

• Se basa en descubrir la relación existente entre ambas.

  
  

• Las variables de salida son irrelevantes.

En el contexto del aprendizaje supervisado, ¿qué representan las "etiquetas" en el conjunto de datos?

• Las respuestas incorrectas asociadas con las entradas.

• Las características de los datos de entrada.

• Las respuestas correctas asociadas con las entradas.

• • Un método para organizar los datos.

En el aprendizaje no supervisado, ¿cómo trabaja el algoritmo con los datos?

• • Utilizando etiquetas proporcionadas previamente.

• Siguiendo instrucciones específicas para clasificar los datos.

• • Buscando patrones en datos sin etiquetas.

• Solo agrupando datos similares.

En el aprendizaje no supervisado, ¿cómo se procesan los datos en comparación con el aprendizaje supervisado?

• Utilizando etiquetas para guiar el algoritmo.

• Sin etiquetas y buscando patrones ocultos.

• • Siguiendo un conjunto de reglas predefinidas.

• • Con un enfoque en la predicción de salidas específicas.