Font size
WorksheetsPreguntas sobre Redes Neuronales
Total questions: 20
Worksheet time: 21mins
¿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.
Modifican la importancia de las conexiones entre neuronas para influir en el resultado.
¿Para qué se utiliza una función de activación como la Escalon Unitario o ReLU al final del cálculo de una neurona?
Para añadir más conexiones a la neurona.
Para convertir la suma ponderada de las 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 que no son linealmente separables.
Requiere GPUs extremadamente potentes para funcionar.
¿Cómo solucionan las redes neuronales profundas (con capas ocultas) la limitación del perceptrón simple?
Acelerando la velocidad de cálculo mediante software especializado.
Creando representaciones intermedias y más abstractas de los datos, lo que permite 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.
El ajuste automático de los pesos y sesgos de la red para minimizar el error en un conjunto de 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?
La invención del ratón de ordenador.
El desarrollo de procesadores de texto más avanzados.
El uso de Unidades de Procesamiento Gráfico (GPUs) para cálculos en paralelo.
¿Cuál es la principal innovación de la arquitectura Transformer, introducida en 2017?
El uso de un número significativamente mayor de capas ocultas.
La capacidad de procesar secuencias de texto de forma secuencial, palabra por palabra.
El mecanismo de "atención", que permite al modelo sopesar la importancia de todas las palabras de la entrada simultáneamente.
En el ejercicio práctico de TensorFlow Playground con el patrón de espiral, ¿por qué el modelo con una sola capa oculta tuvo un mejor rendimiento que el modelo sin capas ocultas (perceptrón)?
Porque la espiral es un problema no lineal que requiere la capacidad de la capa oculta para crear nuevas representaciones de los datos.
Porque el modelo sin capas ocultas procesó los datos demasiado rápido.
Porque la función de activación era diferente.
¿Por qué a menudo se hace referencia a las redes neuronales profundas como "cajas negras"?
Porque su código fuente es secreto.
Porque aunque podemos ver la entrada y la salida, es extremadamente difícil interpretar exactamente qué representan las activaciones en las capas intermedias.
Porque solo funcionan con imágenes en blanco y negro.
Según el material, ¿dónde se ubican los LLMs en la jerarquía de conceptos de IA?
Son un tipo de IA completamente distinto del Machine Learning.
Son un subconjunto del Deep Learning, en la intersección con NLP y Data Science.
Son la categoría más amplia, que engloba a toda la IA.
Si estuvieras diseñando una red neuronal para identificar canciones basándote en un clip de audio, ¿cuál sería una hipótesis razonable sobre la función de las capas, siguiendo el principio de jerarquía de abstracción?
Primera capa detecta notas musicales individuales, capas intermedias detectan acordes o melodías cortas, y capas finales identifican la estructura de la canción.
Todas las capas intentarían identificar al artista directamente desde el audio crudo.
¿Qué es lo que realmente "aprende" la red neuronal durante el entrenamiento para reconocer el dígito "1" en el ejercicio práctico?
Una plantilla de imagen perfecta del número 1.
La secuencia exacta de clics que hizo el usuario.
Un conjunto de pesos que, cuando se aplican a los píxeles de entrada, tienden a producir una suma ponderada alta para imágenes que se parecen a un 1.
Las reglas gramaticales para describir un número 1.
¿Por qué el pre-entrenamiento de un LLM a gran escala es computacionalmente tan costoso?
Por el gran número de parámetros (miles de millones) que deben ser ajustados y la enorme cantidad de datos de texto que deben ser procesados repetidamente.
Porque cada palabra debe ser verificada manualmente en un diccionario.
Por el coste de licenciar los datos de internet.
Si una red neuronal está entrenada para diferenciar naranjas y limones basándose en "peso" y "dulzor", y se le presenta una fruta muy pesada y muy dulce, ¿qué neurona de salida debería activarse?
La neurona "Limón"
La neurona "Naranja"
Ambas neuronas tendrían la misma activación baja.
¿Qué implica esto sobre la relación entre la profundidad de la red y su capacidad?
Agregar más capas siempre mejora el rendimiento, sin importar el problema.
Las redes más profundas (con más capas) tienen el potencial de aprender abstracciones más complejas y, por lo tanto, resolver problemas más difíciles.
La profundidad de la red solo afecta la velocidad de entrenamiento, no su capacidad.
¿Cuáles de las siguientes afirmaciones describen correctamente el propósito y la función de las capas ocultas en una red neuronal profunda, según lo explicado y demostrado en el material? (Selecciona todas las que apliquen)
Permiten a la red resolver problemas no linealmente separables, como el patrón de espiral, al crear representaciones intermedias de los datos.
Construyen una jerarquía de abstracción, donde las capas iniciales detectan características simples (ej. bordes) y las capas posteriores combinan estas características para reconocer patrones más complejos (ej. un ojo).
Su única función es acelerar el tiempo de entrenamiento de la red al reducir el número total de pesos.
¿Cuál de las siguientes afirmaciones es la EXCEPCIÓN y NO describe correctamente este proceso?
El proceso generalmente comienza con la inicialización de millones de parámetros (pesos y sesgos) con valores aleatorios.
Requiere una enorme cantidad de datos y poder computacional, a menudo aprovechando hardware especializado como las GPUs.
El objetivo final del entrenamiento es que la red memorice perfectamente los datos de entrenamiento, logrando un error de cero incluso si eso perjudica su capacidad para generalizar a datos nuevos.
