NEW
Font size
WorksheetsCuestionario sobre IA y Lógica
Total questions: 15
Worksheet time: 8mins
La inteligencia artificial basada en conocimiento se caracteriza por:
Aprender exclusivamente de grandes volúmenes de datos
Basarse en reglas explícitas y representaciones simbólicas
Utilizar redes neuronales profundas
Operar sin intervención humana
La lógica proposicional se define como:
Un conjunto de reglas para aprender patrones numéricos
Un modelo que asigna valores probabilísticos
Un sistema formal que permite razonar mediante proposiciones
Un lenguaje orientado a objetos
Los sistemas expertos se distinguen principalmente por:
Su capacidad de almacenar imágenes
Su uso de bases de conocimiento y motores de inferencia
Su procesamiento exclusivo de datos numéricos
Su dependencia de modelos estadísticos
Una red semántica representa el conocimiento a través de:
Conjuntos de ecuaciones
Nodos y relaciones entre conceptos
Algoritmos de regresión
Imágenes digitales
Una ventaja de la IA simbólica es:
Requiere grandes cantidades de datos
Es difícil de interpretar
Permite explicar con claridad el proceso de razonamiento
No puede integrar reglas explícitas
Una desventaja de la IA simbólica es:
No puede trabajar con reglas lógicas
Tiene dificultades para manejar información incierta o ambigua
Carece de transparencia en sus decisiones
Depende de grandes bases de datos
Una diferencia clave entre IA simbólica y Machine Learning es que la primera:
Aprende automáticamente a partir de datos
Utiliza modelos probabilísticos
Se basa en conocimiento estructurado y reglas explícitas
Opera sin razonamiento lógico
El uso principal de la IA simbólica en aplicaciones modernas incluye:
Clasificación estadística
Razonamiento lógico y diagnóstico basado en reglas
Entrenamiento de modelos neuronales
Procesamiento de imágenes
Una red semántica es especialmente útil en:
Minería de datos
Procesamiento del lenguaje natural
Reconocimiento facial
Segmentación de imágenes
El análisis de textos mediante redes semánticas permite:
Calcular promedios numéricos
Representar relaciones conceptuales y significados
Identificar patrones estadísticos exclusivamente
Ignorar el contexto lingüístico
El algoritmo de búsqueda en amplitud (BFS) se caracteriza por:
Explorar primero los nodos más profundos
Utilizar una pila como estructura de control
Explorar nivel por nivel y garantizar encontrar la solución más corta
No almacenar nodos visitados
Un algoritmo no informado se define como:
Un método basado en heurísticas
Un proceso guiado por datos adicionales
Un método que no emplea conocimiento del dominio
Un algoritmo exclusivamente probabilístico
Un algoritmo informado utiliza:
Búsqueda aleatoria
Conocimiento adicional para guiar la exploración
Exclusivamente lógica proposicional
Únicamente datos sin procesar
La representación del conocimiento permite:
Ejecutar modelos predictivos complejos
Estructurar información para que una IA pueda razonar sobre ella
Entrenar redes neuronales profundas
Automatizar cálculos matemáticos
Un ejemplo común de aplicación de sistemas basados en reglas es:
Redes generativas adversarias
Sistemas de recomendación basados en Machine Learning
Diagnósticos médicos automatizados
Modelos de segmentación de imágenes
