Font size
WorksheetsRedes Neuronales: Supervisión y Optimización
Total questions: 36
Worksheet time: 14mins
¿Qué se supervisa típicamente durante el entrenamiento de una red neuronal?
La pérdida y métricas en los datos de entrenamiento y validación
Solo el accuracy en los datos de prueba
La arquitectura de la red
La cantidad de datos en el dataset
¿Cuál es una diferencia principal entre supervisar durante el entrenamiento y evaluar después?
La evaluación usa los datos de entrenamiento
La evaluación se realiza antes del entrenamiento
La supervisión es continua y la evaluación es final
podríamos detener el proceso de entrenamiento y mejorar sus hiperparametros
la evaluación usa los datos de validación
¿Qué conjunto de datos se utiliza típicamente para ajustar los hiperparámetros sin afectar el entrenamiento?
Datos de prueba
Datos de entrenamiento
Datos de validación
Datos sintéticos
¿Cuál es un objetivo común al usar un conjunto de validación?
Reducir el tamaño del dataset
Probar la velocidad del hardware
Detectar overfitting
Mejorar el hardware de entrenamiento
Facilitar el tiempo de construcción del modelo
¿Qué métrica suele supervisarse en tareas de clasificación durante el entrenamiento?
Precisión (accuracy)
epochs
loss
verbose=1
¿Qué se puede hacer si el modelo no mejora su precisión durante el entrenamiento?
Aumentar los datos, cambiar arquitectura o usar early stopping
Eliminar capas ocultas
Reducir la cantidad de datos
Entrenar solo una época
aumentar unicamente epchos y batchsizes
¿Qué es el parámetro 'verbose' en Keras?
Un optimizador
Una métrica de entrenamiento
Una opción para mostrar el progreso del entrenamiento
Un tipo de regularización
¿Qué beneficios ofrece establecer verbose=1 en el entrenamiento?
Muestra progreso detallado por época
Aumenta la precisión
Reduce el tiempo de entrenamiento
Impide el overfitting
muestra la grafica de perdida
¿Qué función tiene la librería livelossplot?
Graficar en tiempo real métricas como pérdida y precisión
Modificar la arquitectura de la red
Optimizar el uso de memoria
Guardar modelos en la nube
¿Qué busca minimizar el descenso del gradiente?
La cantidad de datos
La función de pérdida
La cantidad de capas
la función de activación
¿Qué representa el gradiente en el descenso del gradiente?
La dirección de mayor aumento de la pérdida
El número de capas ocultas
El tipo de arquitectura
El tamaño del batch
La dirección opuesta de mayor aumento de la pérdida
¿En qué dirección se mueve el descenso del gradiente?
En la dirección opuesta al gradiente
En la dirección del gradiente
En dirección al centro del dataset
No se mueve
¿Qué parámetro controla el tamaño del paso en el descenso del gradiente?
Verbose
Learning rate
Epoch
Batch size
¿Cuál de los siguientes NO es un optimizador de descenso del gradiente?
ReLU
SGD
Adam
RMSprop
¿Qué ocurre si el learning rate es demasiado alto?
El modelo converge muy lentamente
Puede saltarse el mínimo y no converger
El modelo será más preciso
Nada, es irrelevante
¿Qué ocurre si el learning rate es muy bajo?
El modelo nunca se entrena
El modelo converge rápidamente
El modelo aprende muy lentamente
El modelo olvida los datos
¿Qué representa un valor negativo del gradiente durante el entrenamiento?
Una pérdida de precisión
Una dirección de incremento de la pérdida
Una dirección para disminuir la pérdida
Una mala arquitectura
¿Qué función cumple el optimizador durante el entrenamiento?
Determina la función de activación
Calcula los gradientes y actualiza los pesos
Evalúa el modelo
Controla el tamaño del dataset
¿Qué técnica puede ayudar a evitar el sobreajuste durante el entrenamiento?
Uso de más capas ocultas
Aumentar el learning rate
Uso de regularización o early stopping
Reducir el conjunto de validación
¿Qué es una función de pérdida?
Una herramienta para graficar métricas
Una medida de cuán lejos están las predicciones del valor real
Un tipo de optimizador
Una capa oculta adicional
¿Qué indica una pérdida alta durante el entrenamiento?
El modelo se está sobreajustando
El modelo predice muy bien
El modelo aún no ha aprendido correctamente
Hay un error en el hardware
¿Qué puede causar un descenso del gradiente que nunca converge?
Dataset muy limpio
Falta de GPU
Learning rate inadecuado o mal preprocesamiento de datos
Demasiados datos de validación
¿Qué métrica puede usarse como alternativa a accuracy en clasificación?
Tiempo de entrenamiento
Sensibilidad
Cantidad de capas ocultas
Número de épocas
¿Qué significa si la métrica de validación comienza a empeorar mientras la de entrenamiento mejora?
El modelo es excelente
El modelo tiene underfitting
El modelo está sobreajustando
El modelo está funcionando normalmente
¿Qué ventaja tiene monitorear varias métricas durante el entrenamiento?
Permite identificar diferentes aspectos del rendimiento del modelo
Reduce el tiempo de entrenamiento
Evita el uso de validación cruzada
Facilita la selección de batch size
En modelo usa los datos de validacion para construir el modelo final
Verdadero
Falso
En modelo usa los datos de prueba para construir el modelo final
Verdadero
Falso
Los datos de validación pueden ser los mismo de prueba
Verdadero
Falso
El set de datos puede divirse en 3 partes train, test, validation
Verdadero
Falso
Se sugiere que los datos de validación sean distintos a los de prueba
Verdadero
Falso
la exactitud del modelo durante el entrenamiento se obtiene al evaluar el modelo con los datos de prueba
Verdadero
Falso
la exactitud del modelo durante el entrenamiento se obtiene al poner al evaluar el modelo con los datos de validacion
Verdadero
Falso
Observe la grafica el modelo
Presenta overfitting
Presenta underfitting
Presenta overfitting y underfitting
es un modelo confiable
Oberve la grafica: Epocas vs Exactitud
Presenta Overfitting
Presenta underfitting
presenta overfitting y underfitting
podria ser un buen modelo
Oberve la grafica: epoca vs perdida
Presenta Overfitting
Presenta underfitting
presenta overfitting y underfitting
podria ser un buen modelo
Oberve la grafica
Presenta Overfitting
Presenta underfitting
presenta overfitting y underfitting
podria ser un buen modelo
