NEW
Font size
WorksheetsFundamentos y Algoritmia para Inteligencia Artificial
Total questions: 20
Worksheet time: 39mins
Ava está estudiando inteligencia artificial y se pregunta: ¿Cuál de las siguientes opciones describe mejor el concepto de aprendizaje profundo en el ámbito de la inteligencia artificial?
Un tipo de aprendizaje automático que utiliza redes neuronales con muchas capas.
Un método que se basa en la programación tradicional para resolver problemas complejos.
Una técnica que se centra en la recopilación de datos sin procesarlos.
Un enfoque que combina la inteligencia humana con algoritmos de computación.
Un sistema que requiere supervisión constante para mejorar su rendimiento.
Nora está investigando qué tipo de problemas son más adecuados para ser resueltos con Machine Learning en comparación con Deep Learning. ¿Qué debería considerar?
Machine Learning es mejor para problemas con datos no estructurados.
Deep Learning es más efectivo en tareas de clasificación de imágenes.
Machine Learning se utiliza principalmente en análisis de series temporales.
Deep Learning es ideal para procesamiento de lenguaje natural.
Machine Learning y Deep Learning son igualmente efectivos en todos los casos.
El aprendizaje por reforzamiento se utiliza principalmente para:
Clasificar datos en categorías predefinidas.
Optimizar decisiones a través de la experiencia.
Realizar análisis de sentimientos en textos.
Generar imágenes a partir de descripciones.
Predecir tendencias en series temporales.
¿Cuál es un ejemplo de aplicación del aprendizaje no supervisado en el contexto de la gestión de clientes en una tienda de tecnología donde trabaja James?
Filtrado de spam en correos electrónicos.
Predicción del precio de viviendas.
Clustering o agrupación de clientes con características similares.
Detección de fraudes en transacciones bancarias.
Entrenamiento de vehículos autónomos.
Aiden está aprendiendo sobre aprendizaje supervisado en su clase de ciencias de datos. ¿Cuál es el objetivo principal del aprendizaje supervisado?
Descubrir patrones en datos no etiquetados.
Predecir resultados basados en datos de entrada etiquetados.
Optimizar la estructura de datos para su análisis.
Crear modelos sin supervisión de datos.
Implementar algoritmos de clustering.
Luna está estudiando matemáticas y se pregunta: ¿Cuál de las siguientes afirmaciones es verdadera sobre los números reales?
Son siempre enteros.
Incluyen números irracionales.
Son solo números positivos.
Son números complejos.
Son solo fracciones.
En una clase de álgebra lineal, Aria pregunta: ¿Cuál es la definición de un espacio vectorial?
Un conjunto de vectores que cumplen ciertas propiedades.
Una colección de números reales.
Un sistema de ecuaciones lineales.
Una función matemática que relaciona dos variables.
Un tipo de gráfico en coordenadas cartesianas.
Abigail y Aiden están trabajando en un proyecto donde necesitan combinar dos vectores (2, 3) y (1, 4). ¿Cuál es el resultado de su adición?
(2, 4)
(1, 3)
(3, 7)
(0, 0)
(-1, -1)
Ava está estudiando matrices en su clase de matemáticas. ¿Cuál es la característica principal de una matriz diagonal?
Todos sus elementos son cero.
Solo los elementos en la diagonal principal son diferentes de cero.
Es una matriz cuadrada con todos los elementos iguales.
Puede ser rectangular y no tiene restricciones en sus elementos.
Todos sus elementos son iguales a uno.
Abigail está resolviendo un problema de matemáticas en clase. El determinante de la matriz [[3, 2], [4, 1]] es:
-10
-5
10
5
0
Ava está analizando las calificaciones de su clase y se pregunta: ¿Cuál es la definición de varianza?
Es la media aritmética de los datos.
Es el valor que aparece con mayor frecuencia en un conjunto de datos.
Es la medida de dispersión de los datos respecto a la media.
Es la diferencia entre el valor máximo y mínimo.
Es la raíz cuadrada de la desviación estándar.
William quiere calcular la desviación estándar de las calificaciones de su clase. ¿Cómo debería hacerlo?
Dividiendo la suma de los datos por la cantidad de observaciones.
Restando la mediana de la media.
Calculando la raíz cuadrada de la varianza.
Sumando todos los datos y dividiendo por la moda.
Sumando la media y el rango de los datos.
En un experimento de clase, Aiden se pregunta: ¿Qué mide el p-valor en una prueba de hipótesis?
La probabilidad de que la hipótesis alternativa sea cierta.
La probabilidad de obtener un valor igual o más extremo bajo la hipótesis nula.
La media aritmética de los datos observados.
La varianza de los datos muestreados.
La diferencia entre dos medias.
En una clase de matemáticas, Abigail está explicando a sus compañeros sobre las medidas de tendencia central. ¿Cuál de las siguientes es un ejemplo de una medida de tendencia central?
Desviación media.
Moda.
Rango intercuartílico.
Varianza poblacional.
Desviación estándar muestral.
En una clase de estadística, la profesora Maya explica que en una distribución normal, aproximadamente el 95% de los datos se encuentran:
Dentro de una desviación estándar de la media.
Dentro de dos desviaciones estándar de la media.
En los extremos de la distribución.
Dentro de tres desviaciones estándar de la media.
Alrededor del valor mediano.
¿Cuál es el resultado de la operación (5 + 3) * 2 según la propiedad distributiva que Oliver está tratando de resolver en su tarea de matemáticas?
16
10
12
20
14
En una clase de matemáticas, Anika y Olivia están discutiendo sobre las propiedades de las operaciones. ¿Cuál es la propiedad que establece que el orden de los factores no altera el producto?
Propiedad Distributiva.
Propiedad Asociativa.
Propiedad Conmutativa.
Propiedad Transitiva.
Propiedad Reflexiva.
Oliver está aprendiendo sobre la clasificación de los tipos de aprendizaje en la IA
Aprendizaje supervisado
Aprendizaje no supervisado
Aprendizaje por refuerzo
Aprendizaje semi-supervisado
Aprendizaje profundo
¿Qué papel juega la estadística en la toma de decisiones dentro de la inteligencia artificial en el proyecto de Liam sobre análisis de datos?
Proporciona métodos para la optimización de algoritmos
Facilita la visualización de datos
Ayuda a evaluar la precisión de los modelos
Permite la creación de redes neuronales
Contribuye a la reducción de la dimensionalidad
Si David tiene un vector (5, 7) y decide multiplicarlo por un escalar 3, el resultado es:
(15, 21)
(10, 14)
(5, 7)
(3, 5)
(0, 0)
