Examen de Redes Neuronales

¿Qué es Adaline en el contexto de redes neuronales?

• Adaline es un tipo de red neuronal artificial que es similar al perceptrón pero con la capacidad de ajustar los pesos basados en valores continuos en lugar de salidas binarias.

• Adaline es un tipo de red neuronal que no ajusta los pesos

• Adaline es un tipo de red neuronal que solo funciona con valores discretos

• Adaline es un tipo de red neuronal que solo utiliza salidas binarias

Explica el concepto de Madaline y cómo se diferencia de Adaline.

• Madaline is a multi-layer neural network, while Adaline is a single-layer neural network.

• Madaline is a type of reinforcement learning algorithm, while Adaline is a supervised learning algorithm.

• Madaline uses a linear activation function, while Adaline uses a sigmoid activation function.

• Madaline is a single-layer neural network, while Adaline is a multi-layer neural network.

¿En qué consiste el algoritmo de Backpropagation y cuál es su función en redes neuronales?

• Backpropagation es un algoritmo que se utiliza para predecir el futuro en redes neuronales.

• El algoritmo de Backpropagation se encarga de generar datos aleatorios para entrenar la red neuronal.

• La función de Backpropagation es aumentar el error de predicción en una red neuronal.

• El algoritmo de Backpropagation se encarga de calcular y ajustar los pesos de las conexiones en una red neuronal para minimizar el error de predicción.

Describe el funcionamiento básico de un Perceptrón en el aprendizaje supervisado.

• El Perceptrón no ajusta los pesos durante el entrenamiento

• El Perceptrón no utiliza una función de activación

• El Perceptrón toma entradas, aplica pesos, suma los resultados, aplica una función de activación y ajusta los pesos durante el entrenamiento.

• El Perceptrón no aplica pesos a las entradas

¿Qué son las Redes Neuronales y cómo se aplican en problemas de clasificación?

• Las Redes Neuronales son herramientas de edición de imágenes

• Las Redes Neuronales son modelos computacionales inspirados en el funcionamiento del cerebro humano que consisten en capas de neuronas interconectadas. Se aplican en problemas de clasificación al aprender patrones y características de los datos de entrada para poder asignar una etiqueta o categoría a cada instancia.

• Las Redes Neuronales son algoritmos de búsqueda en internet

• Las Redes Neuronales son modelos matemáticos que no se aplican en problemas de clasificación

Explique el concepto de una red multicapa y su importancia en el aprendizaje profundo.

• Una red multicapa es irrelevante en el aprendizaje profundo

• Una red multicapa es fundamental en el aprendizaje profundo porque posibilita la creación de modelos más complejos y la captura de relaciones no lineales en los datos, lo que mejora significativamente la capacidad de la red para realizar tareas de aprendizaje profundo.

• Una red multicapa no permite la captura de relaciones complejas en los datos

• Una red multicapa solo se utiliza en tareas simples de aprendizaje

¿Cuál es la diferencia entre el aprendizaje supervisado y el no supervisado en redes neuronales?

• En el aprendizaje supervisado, se utilizan datos no etiquetados para entrenar el modelo.

• En el aprendizaje no supervisado, se utilizan datos etiquetados para encontrar patrones.

• En el aprendizaje supervisado, no se requiere un modelo para el entrenamiento.

• En el aprendizaje supervisado, se utilizan datos etiquetados para entrenar el modelo, mientras que en el aprendizaje no supervisado, se utilizan datos no etiquetados para encontrar patrones.

¿Cómo se entrena un modelo Adaline en el contexto de aprendizaje supervisado?

• Inicializar pesos y umbral, no calcular salida y no ajustar pesos

• Inicializar pesos y umbral, calcular salida y ajustar pesos, repetir hasta convergencia

• Inicializar pesos y umbral, calcular salida y no ajustar pesos

• No inicializar pesos y umbral, calcular salida y ajustar pesos

¿Cuál es la principal característica de Madaline que lo hace diferente de otros modelos de redes neuronales?

• Función de activación no lineal

• Número de capas ocultas

• Uso de algoritmo de optimización diferente

• Función de activación lineal

¿Cuál es la función de activación más comúnmente utilizada en el algoritmo de Backpropagation?

• Función lineal

• Función tangente hiperbólica

• Función ReLU

• Función sigmoide