Quiz IA2: Redes Neuronales Densas

En el contexto del gradiente descendiente estocástico (SGD), ¿cuál es la ventaja de utilizar mini-lotes en lugar de actualizar los pesos después de cada muestra individual?

• Mini-lotes reducen el costo computacional al evitar la necesidad de calcular el gradiente

• Mini-lotes proporcionan un equilibrio entre la estabilidad de las actualizaciones y la eficiencia computacional

• Mini-lotes permiten un ajuste más preciso de los hiperparámetros

• Mini-lotes eliminan por completo la necesidad de funciones de activación

En una red neuronal densa con múltiples capas, ¿qué efecto tiene una tasa de aprendizaje demasiado alta durante el entrenamiento?

• Convergencia más rápida a un mínimo global

• El modelo puede atascarse en mínimos locales

• El modelo puede saltarse el mínimo, resultando en oscilaciones o incluso divergencia

• Menor riesgo de sobreajuste, pero mayor error en el conjunto de prueba

¿Por qué es necesario un conjunto de validación durante el entrenamiento de una red neuronal?

• Para ajustar los pesos finales del modelo después de la fase de entrenamiento

• Para seleccionar el mejor modelo y ajustar los parámetros, evitando el sobreajuste

• Para aumentar la precisión del conjunto de prueba

• Para seleccionar el mejor modelo y ajustar los hiperparámetros, evitando el sobreajuste

En redes neuronales densas, ¿por qué se suele emplear una función de pérdida como la entropía cruzada (cross-entropy) en lugar de MSE (error cuadrático medio) en problemas de clasificación?

• La entropía cruzada es menos sensible a errores grandes

• La entropía cruzada está diseñada para manejar variables continuas

• La entropía cruzada penaliza más los errores de clasificación y produce gradientes más significativos

• La entropía cruzada asegura una mayor convergencia de los pesos

¿Cuál de los siguientes es un hiperparámetro en una red neuronal densa?

• Pesos

• Bias (sesgo)

• Tasa de aprendizaje

• Salida de la red

¿Qué técnica permite actualizar los pesos de una red neuronal hacia atrás a lo largo de las capas para minimizar el error?

• Normalización por lotes

• Forward propagation

• Backpropagation

• Algoritmo de evolución

En redes neuronales densas, ¿qué indica que un modelo está "sobreajustado" a los datos de entrenamiento?

• Alto rendimiento tanto en el conjunto de entrenamiento como en el conjunto de validación

• Bajo error en el conjunto de entrenamiento pero alto error en el conjunto de validación

• Alto error en ambos conjuntos de entrenamiento y validación

• Baja variabilidad en las predicciones del modelo para datos de prueba

Si una red neuronal densa utiliza una función de activación lineal (por ejemplo, f(x) = x) en todas sus capas ocultas, ¿cuál es el resultado final?

• La red funcionará correctamente, aprendiendo representaciones no lineales

• La red será equivalente a un modelo lineal, incapaz de aprender relaciones no lineales

• La red aprenderá más rápido debido a la simplicidad de las funciones de activación

• La red tendrá problemas para ajustar sus pesos, pero eventualmente aprenderá representaciones complejas