Examen Taller de IA - Redes neuronales

¿Cuál es el componente más fundamental de una red neuronal?

• Una neurona

• Un peso

• Una capa

En el contexto de una red neuronal, ¿cuál es la función de los "pesos" (weights)?

• Determinan la velocidad de procesamiento de la red.

• Son valores fijos que definen el tamaño de la red.

• Ajustan la importancia de las conexiones entre neuronas para afectar la salida.

¿Para qué se utiliza una función de activación como la Sigmoide o ReLU al final del cálculo de una neurona?

• Para añadir más conexiones a la neurona.

• Para transformar la suma de entradas en una salida normalizada (ej. entre 0 y 1).

• Para decidir aleatoriamente el valor de salida.

¿Cuál es la limitación fundamental de un perceptrón simple (una red de una sola capa)?

• No puede procesar datos numéricos.

• Es incapaz de resolver problemas no separables linealmente.

• Requiere GPUs extremadamente potentes para funcionar.

En el contexto de las redes neuronales, ¿qué significa el término 'overfitting'?

• Cuando el modelo tiene un rendimiento bajo en los datos de entrenamiento.

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

• Cuando el modelo no puede aprender de los datos de entrenamiento.

¿Cómo solucionan las redes neuronales profundas (con capas ocultas) la limitación del perceptrón simple?

• Acelerando la velocidad de cálculo mediante software especializado.

• Creando representaciones abstractas de los datos para modelar relaciones complejas.

• Reduciendo el número de pesos para simplificar el problema.

¿Cuál es la tarea fundamental que realiza un Modelo Extenso de Lenguaje (LLM) como GPT?

• Verificar la veracidad de la información en un texto.

• Comprender las emociones del usuario.

• Predecir la siguiente palabra en una secuencia de texto.

¿Qué describe mejor el proceso de "entrenamiento" de una red neuronal?

• La instalación del software en una computadora.

• La escritura manual del código que define cada neurona.

• Ajustar automáticamente sus pesos y sesgos para minimizar el error con datos de ejemplo.

¿Qué algoritmo es fundamental para el entrenamiento de las redes neuronales, ya que permite ajustar los parámetros del modelo de manera eficiente?

• Transformada de Fourier

• Algoritmo de optimización

• Retropropagación (Backpropagation)

¿Qué avance tecnológico fue un catalizador clave para el éxito de las redes neuronales profundas alrededor de 2012, como se vio con AlexNet?

• El desarrollo de procesadores de texto más avanzados.

• La creación de internet.

• El uso de Unidades de Procesamiento Gráfico (GPUs) para cálculos masivos en paralelo.