Prueba de Conceptos Básicos de Machine Learning, Deep Learning y Reinforcement Learning

¿Qué tipo de aprendizaje utiliza un conjunto de datos etiquetados para entrenar un modelo?

• Aprendizaje por refuerzo

• Aprendizaje no supervisado

• Aprendizaje supervisado

• Aprendizaje profundo

¿Cuál es el objetivo principal del aprendizaje supervisado?

• Utilizar un conjunto de datos de prueba en lugar de entrenamiento, para poder explorar los posibles resultados en las prediciones.

• No tener en cuenta las respuestas conocidas

• Predecir o clasificar datos utilizando un conjunto de datos de entrenamiento que incluye ejemplos con respuestas conocidas.

• Adivinar aleatoriamente los datos, y de esta manera poder guiar al agente en su camino de explotación.

¿Qué tipo de aprendizaje se utiliza cuando no se tienen etiquetas en los datos de entrenamiento?

• Aprendizaje semisupervisado

• Aprendizaje supervisado

• Aprendizaje por refuerzo supervisado

• Aprendizaje no supervisado

¿Cuál es el propósito principal del aprendizaje no supervisado?

• Clasificar datos en categorías predefinidas para conectar ideas o patrones

• Eliminar datos atípicos

• Predecir valores futuros con precisión

• Descubrir patrones o estructuras ocultas en los datos

¿Qué tipo de red neuronal se utiliza comúnmente para el procesamiento de imágenes?

• Redes neuronales de retroalimentación visual (FNNV)

• Redes neuronales recurrentes (RNN)

• Redes neuronales convolucionales (CNN)

• Redes neuronales artificiales (ANN)

¿Cuál es la función de una capa convolucional en una red neuronal convolucional (CNN)?

• Generar números aleatorios

• Clasificar imágenes por colores, esto lo realiza con un método llamado convolución, que divide las imagenes en trozos y son posteriormente clasificadas

• Aplicar operaciones de multiplicación para que la imagen de entrada sea mas diversa en los patrones.

• Detectar características en la entrada mediante la aplicación de filtros y la operación de convolución.

¿Qué es el aprendizaje por refuerzo en el contexto de machine learning?

• Un tipo de aprendizaje automático que no utiliza datos de entrada y se centra en inventar estrategias que le permitan maximizar su factor de redución.

• Un tipo de aprendizaje automático que solo se aplica a problemas de visión por computadora

• Un tipo de aprendizaje automático donde un agente aprende a través de la interacción con un entorno, recibiendo recompensas o castigos por sus acciones.

• Un tipo de aprendizaje automático que se basa en la memorización de datos y patrones, con esto el agente tiene conocimiento por datos.

¿Cuál es el objetivo principal del aprendizaje por refuerzo?

• No tener un objetivo específico

• Maximizar la recompensa acumulada

• Ignorar la recompensa acumulada

• Minimizar la recompensa acumulada

¿Qué es el algoritmo Deep Q-learning?

• Un método de aprendizaje por refuerzo que utiliza redes neuronales para aproximar la función Q.

• Una técnica de encriptación de datos

• Un método de aprendizaje supervisado que utiliza la tabla Q y la multiplica millones de veces para tener una profundidad en sus calculos.

• Un tipo de algoritmo de compresión de estrategias que luego son aprendidos por los agentes en el aprendizaje por refuerzo.

¿Cuál es la diferencia entre el aprendizaje supervisado y el aprendizaje por refuerzo?

• El aprendizaje por refuerzo no utiliza ningún tipo de recompensa o castigo

• El aprendizaje supervisado y por refuerzo son términos intercambiables

• El aprendizaje supervisado utiliza datos etiquetados para entrenar un modelo, mientras que el aprendizaje por refuerzo utiliza un sistema de recompensas y castigos para que el modelo aprenda a través de la interacción con el entorno.

• El aprendizaje supervisado utiliza datos no etiquetados para entrenar un modelo