Redes Neuronales e Inteligencia Artificial

¿Cuál es la función principal de la capa oculta en una red neuronal?

• Recibir y distribuir los datos de entrada.

• Procesar la información mediante la aplicación de pesos y funciones de activación.

• Generar el resultado final a partir de los datos procesados.

¿Qué elemento del modelo de redes neuronales se inspira directamente en el cerebro humano?

• Las neuronas interconectadas organizadas en capas.

• Los algoritmos de optimización utilizados en el entrenamiento.

• Las funciones de activación que imitan impulsos eléctricos.

¿Cuál es el proceso correcto que sigue una red neuronal para clasificar datos?

• Recibir datos, procesarlos en capas ocultas aplicando funciones de activación, y comparar para generar una predicción.

• Distribuir datos en la capa de salida, aplicar filtros neuronales y ajustar manualmente los pesos.

• Procesar la información únicamente en la capa de entrada sin modificar los pesos.

En la toma de decisiones automatizada, ¿qué técnica se menciona que ayuda a optimizar elecciones en redes neuronales?

• Aprendizaje supervisado.

• Algoritmos de búsqueda heurística.

• Aprendizaje por refuerzo.

¿Qué relación existe entre las redes neuronales artificiales y el aprendizaje profundo (Deep Learning) según la presentación?

• Las redes neuronales son la base fundamental para el desarrollo del aprendizaje profundo.

• El aprendizaje profundo reemplaza a las redes neuronales al utilizar algoritmos de búsqueda avanzados.

• Ambos son enfoques completamente independientes en inteligencia artificial.

¿Cuál es la función principal de la capa de salida en una red neuronal?

• Generar la clasificación o predicción final basada en el procesamiento previo.

• Filtrar el ruido de la señal de entrada.

• Redistribuir los datos procesados a las capas ocultas.

En aplicaciones de procesamiento de señales (audio o imagen), ¿qué proceso implementan las redes neuronales para mejorar la calidad de la información?

• Ajuste de pesos mediante retroalimentación.

• Filtrado neuronal para eliminar interferencias y extraer información relevante.

• Fusión de datos sin aplicar técnicas de preprocesamiento.

¿Cómo integran las redes neuronales la información proveniente de diversas fuentes en aplicaciones complejas como la conducción autónoma?

• Procesando secuencialmente cada fuente sin combinarlas.

• Dividiendo, interpretando y fusionando los datos para obtener una visión unificada del entorno.

• Almacenando cada fuente de información en bases de datos separadas sin integración.

¿Qué ejemplo se menciona en la presentación para ilustrar el uso de redes neuronales en sistemas adaptativos que mejoran la experiencia del usuario?

• Alexa y Google Assistant, que ajustan sus respuestas según el comportamiento del usuario.

• Sistemas de recomendación de contenido en plataformas de streaming.

• Robots autónomos que optimizan sus movimientos en líneas de producción.

¿Cuál de las siguientes afirmaciones describe mejor el proceso de aprendizaje en una red neuronal?

• Se ajustan los pesos de las conexiones neuronales basándose en el error cometido durante el procesamiento.

• Se reestructuran las capas de la red periódicamente para adaptarse a nuevos datos.

• Se eliminan neuronas irrelevantes mediante un proceso de poda sin ajuste de pesos.