Quien ideo el nombre de IA?

• Frank Rosenblatt

• Albert Eisten

• Jhon McCarthy

• Jhon Hopefield

¿Qué significan las siglas ML?

• Machine Learning

• Machine Lessons

• • Multi-Layer

• • Medical Laboratory

Cuáles son los subconjuntos de IA?

• • A) Virtual Reality

  • B) Data Mining

  • C) Quantum Computing

• • A) Blockchain Technology

  • B) Natural Language Processing

  • C) Expert Systems

• • A) Augmented Reality

  • B) Cloud Computing

  • C) Robotics

• A) Arficial Intelligence
  B) Machine Learning

  C) Deep Learning

La minería de datos es...

• Encontrar patrones que no eran visibles mediante la aplicación de aprendizaje automático.

• • "Organizar los datos en categorías predefinidas sin buscar patrones o relaciones complejas."

• • "Almacenar grandes volúmenes de datos y mejorar la velocidad de acceso a ellos mediante algoritmos avanzados."

• • "Utilizar únicamente técnicas de inteligencia artificial para clasificar los datos en grupos visibles y predecibles."

Diferencia entre APRENDIZAJE supervisado y no supervisado?

• • Supervisado clasifica datos automáticamente, mientras que no supervisado requiere intervención humana para clasificar.

• • Supervisado tiene fines predictivos. No supervisado tiene fines de minería de datos.

• • El aprendizaje supervisado solo se utiliza para datos estructurados, y el no supervisado para datos no estructurados.

• • En el aprendizaje supervisado, los algoritmos encuentran patrones ocultos sin conocer las respuestas, mientras que en el no supervisado se conocen las respuestas de antemano.

Limitaciones para el aprendizaje automático:

• • A) Modelos altamente interpretables

  • B) Optimización automática de parámetros

  • C) Fácil comprensión de los resultados

• • A) Velocidad de almacenamiento insuficiente

  • B) Datos totalmente balanceados

  • C) Alta capacidad de generalización

• A) Data insuficiente.
  B) Data sin representación.

  C) Mala Calidad.

  D) Mala configuración.

• • A) Procesamiento de datos en paralelo

  • B) Alta precisión en predicciones

  • C) Uso de redes neuronales profundas

¿Cuál es el objetivo principal del aprendizaje automático?

• Desarrollar algoritmos que imiten el comportamiento humano.

• Crear modelos que puedan predecir resultados basados en datos históricos.

• Almacenar datos de manera eficiente para su posterior análisis.

• Mejorar la velocidad de procesamiento de datos sin análisis predictivo.

¿Qué es el aprendizaje profundo?

• Un tipo de aprendizaje automático que utiliza redes neuronales con muchas capas.

• Un método de análisis de datos que no requiere supervisión.

• Una técnica de minería de datos que se basa en algoritmos simples.

• Un enfoque de inteligencia artificial que se centra en la lógica y las reglas.

¿Qué papel juega la calidad de los datos en el aprendizaje automático?

• Es irrelevante, ya que los algoritmos pueden corregir datos defectuosos.

• Es fundamental, ya que datos de mala calidad pueden llevar a resultados erróneos.

• Solo es importante en el aprendizaje supervisado, no en el no supervisado.

• Es secundaria, ya que la cantidad de datos es más importante.

¿Qué es el sobreajuste en el aprendizaje automático?

• Cuando un modelo se ajusta demasiado a los datos de entrenamiento y no generaliza bien a nuevos datos.

• Cuando un modelo no tiene suficiente complejidad para capturar la relación en los datos.

• Cuando un modelo se entrena con datos de baja calidad.

• Cuando un modelo utiliza demasiados parámetros y se vuelve ineficiente.