IA- Perceptrón

¿Cuál es la función de activación más comúnmente utilizada en un perceptrón?

• Función de activación exponencial

• Función de paso (step function) o función de activación lineal

• Función de activación logarítmica

• Función de activación signo

¿Qué sucede si la función de activación en un perceptrón es la función escalón?

• La salida del perceptrón será continua

• La salida del perceptrón será negativa

• La salida del perceptrón será fraccional

• La salida del perceptrón será binaria (0 o 1).

¿Por qué es importante la función de activación en un perceptrón?

• La función de activación no es importante en un perceptrón

• La función de activación determina la salida del perceptrón y permite que el modelo pueda aprender y realizar predicciones más complejas.

• La función de activación no tiene impacto en el aprendizaje del modelo

• La función de activación solo afecta la entrada del perceptrón

¿Cuál es el algoritmo de entrenamiento más utilizado en un perceptrón?

• Aprendizaje no supervisado

• Aprendizaje supervisado

• Aprendizaje por refuerzo

• Aprendizaje profundo

¿En qué se basa el algoritmo de entrenamiento del perceptrón?

• Cálculo de la función de activación

• Selección aleatoria de pesos

• Aplicación de reglas de aprendizaje no supervisado

• Ajuste de pesos de las conexiones entre neuronas

¿Cómo se actualizan los pesos en un perceptrón durante el entrenamiento?

• No es necesario actualizar los pesos en un perceptrón

• Utilizando la regla de aprendizaje del perceptrón

• Usando la regla de aprendizaje del árbol de decisión

• Actualizando los pesos de forma aleatoria

¿Qué es el término de aprendizaje en el contexto de la actualización de pesos en un perceptrón?

• Altura de los pesos

• Velocidad de los pesos

• Tasa de ajuste de los pesos

• Color de los pesos

¿Cuál es la fórmula para actualizar los pesos en un perceptrón?

• peso_nuevo = peso_viejo * (tasa_aprendizaje * error * entrada)

• peso_nuevo = peso_viejo - (tasa_aprendizaje * error * entrada)

• peso_nuevo = peso_viejo / (tasa_aprendizaje * error * entrada)

• peso_nuevo = peso_viejo + (tasa_aprendizaje * error * entrada)

¿Qué papel juega el error en la actualización de pesos en un perceptrón?

• El error es utilizado para ajustar los pesos del perceptrón.

• El error se ignora en la actualización de pesos

• El error no tiene ningún papel en la actualización de pesos

• El error se utiliza para detener el proceso de actualización de pesos