Redes Neuronales y Funciones de Activación

¿Cuál es la resolución de píxeles de los dígitos escritos a mano que el cerebro humano puede reconocer sin esfuerzo, pero que es difícil para un programa informático?

• 14x14 píxeles

• 28x28 píxeles

• 56x56 píxeles

• 100x100 píxeles

En el contexto de las redes neuronales presentadas, ¿qué representa una neurona?

• Una célula fotosensible en el ojo.

• Un componente que almacena un número entre 0 y 1.

• Una conexión entre dos capas de la red.

• Un algoritmo complejo para el reconocimiento de patrones.

¿Cuántas neuronas componen la primera capa de una red neuronal diseñada para reconocer dígitos escritos a mano en una cuadrícula de 28x28 píxeles?

• 10 neuronas

• 28 neuronas

• 784 neuronas

• 1024 neuronas

¿Qué representa la activación de las neuronas en la capa final de una red neuronal entrenada para reconocer dígitos escritos a mano?

• El brillo de cada píxel en la imagen de entrada.

• La complejidad de los subcomponentes del dígito.

• La probabilidad de que la imagen de entrada corresponda a un dígito específico.

• El número de capas ocultas en la red.

¿Cuál es el enfoque jerárquico descrito para el reconocimiento de patrones complejos, como los dígitos, en una red neuronal?

• Reconocer directamente el dígito completo a partir de los píxeles de entrada.

• Descomponer el dígito en subcomponentes como bordes pequeños, que luego se combinan en patrones más grandes como bucles y líneas, para finalmente identificar el dígito.

• Utilizar una única capa de neuronas para identificar todos los subcomponentes y el dígito simultáneamente.

• Entrenar la red para ignorar los subcomponentes y centrarse solo en la forma general del dígito.

¿Cuál es el propósito principal de la función sigmoide (o curva logística) en el contexto de la activación de una neurona?

• Aumentar la complejidad de los cálculos de la red para mejorar la precisión.

• Asegurar que la activación de la neurona sea siempre un número entero.

• Compactar la suma ponderada de las entradas de una neurona a un rango de valores entre 0 y 1.

• Generar valores aleatorios para la activación de la neurona, introduciendo variabilidad.

¿Cómo influyen los pesos (weights) y el sesgo (bias) en la activación de una neurona en una red neuronal?

• Los pesos determinan la forma del patrón de píxeles que la neurona detecta, y el sesgo ajusta la intensidad de la señal de entrada.

• Los pesos asignan importancia a las entradas de los píxeles, y el sesgo establece el umbral de activación de la neurona, determinando qué tan positiva debe ser la suma ponderada para que se active significativamente.

• Ambos, pesos y sesgos, son valores aleatorios que no tienen un impacto directo en la activación de la neurona.

• Los pesos controlan la velocidad de procesamiento de la red, y el sesgo define el número de capas ocultas.

¿Cuántos parámetros (pesos y sesgos) tiene la red neuronal de ejemplo presentada?

• 784

• 16

• 13,002

• 10

¿Cuál es la principal ventaja de representar las activaciones, los pesos y los sesgos de una red neuronal mediante vectores y matrices?

• Permite una visualización más detallada de cada conexión individual.

• Simplifica la expresión de las transiciones de activaciones entre capas, haciendo el código más conciso y rápido.

• Elimina la necesidad de funciones de activación como la sigmoide.

• Aumenta el número total de parámetros en la red, mejorando su capacidad de aprendizaje.

¿Cuál de las siguientes afirmaciones describe correctamente la función de activación ReLU (Unidad Lineal Rectificada)?

• Comprime la suma ponderada de las entradas a un rango entre 0 y 1, similar a la función sigmoide.

• Es una función lineal que siempre produce una salida igual a la entrada, sin importar su valor.

• Produce una salida de 0 para entradas negativas y una salida igual a la entrada para valores positivos.

• Es una función de activación de "vieja escuela" que ya no se utiliza en las redes neuronales modernas.