¿De dónde procede el nombre de las redes neuronales en Inteligencia Artificial? a) De las red de neuronas biológicas de los organismos vivos que pretendían imitarse en los inicios de estas técnicas. b) De la psicología descrita por Sigmund Freud en el S.XIX. c) Ninguna de las anteriores respuestas es correcta. d) De la teoría de redes cuánticas. .
En el desarrollo matemático de la Inteligencia Artificial ¿ha sido útil el enfoque biológico? a) No. b) Sí, pero solo en los primeros años. c) Sí, desde los primeros años hasta ahora. d) Nunca se ha planteado un enfoque biológico para el desarrollo de la Inteligencia Artificial.
¿Qué hacen las redes neuronales en relación con los parámetros iniciales? a) Definen un modelo de combinación de dichos parámetros para aplicarla en la búsqueda del resultado deseado. b) Mezclan los parámetros de forma aleatoria a ver si hay suerte y dan con algún resultado aceptable. c) Las redes neuronales no intervienen de ninguna manera en los parámetros iniciales. d) Ninguna de las respuestas anteriores es correcta.
Si quisiera desarrollar un modelo de Inteligencia Artificial con la técnica de Deep Learning enfocado en reconocimiento de dígitos escritos a mano ¿qué algoritmo sería más apropiado? a) Red generativa de adversarios (GAN). b) Red de máquinas de Boltzmann (BM). c) Red de Autoendoer Dispersa (SAE). d) Red de Autoencoder Variacional (VAE).
Si quisiera desarrollar un modelo de Inteligencia Artificial con la técnica de Deep Learning enfocado en reconocimiento de imágenes ¿qué algoritmo sería más apropiado? a) Red generativa de adversarios (GAN). b) Red de máquinas de Boltzmann (BM). c) Red convolucional profunda (DCN). d) Red de Autoencoder Variacional (VAE).
La cuarta fase del entrenamiento de una red neuronal profunda es: a) Backward Pass. b) Forward Pass. c) Descenso del gradiente. d) Función de coste.
La tercera fase del entrenamiento de una red neuronal profunda es: a) Backward Pass. b) Forward Pass. c) Descenso del gradiente. d) Función de coste.
La segunda fase del entrenamiento de una red neuronal profunda es: a) Backward Pass. b) Forward Pass. c) Descenso del gradiente. d) Función de coste.
La primera fase del entrenamiento de una red neuronal profunda es: a) Backward Pass. b) Forward Pass. c) Descenso del gradiente. d) Función de coste.
El aprendizaje profundo se diferencia fundamentalmente del aprendizaje automático en… a) ...que el modelo sigue aprendiendo y mejorando su precisión cada vez que se utiliza. b) ...que no necesita depurar previamente los datos. c) ...que requiere menos esfuerzo de cómputo y memoria. d) . ...que es más apropiado para problemas de entrenamiento por refuerzo.
¿Cuál de los siguientes algoritmos no se utiliza para aplicaciones de síntesis de voz? AE y todas sus variantes. a) LSTM DCN. b) AE y todas sus variantes. c) Todas las respuestas anteriores son correctas.
¿Se consideran redes neuronales las máquinas de vector soporte (SVM? a) No, aunque tiene una estructura interna similar a las redes neuronales. b) Depende del tipo de datos de entrada que empleemos. c) Sí. d) Ninguna de las respuestas anteriores es correcta.
¿Qué algoritmo de redes neuronales se está utilizando específicamente para generar modelos de manipulación de rostros humanos? a) DCIGN - Deep Convolutional Inverse Graphics Network. b) RBM - Restricted Boltzmann Machine. c) HN - Hopfield Network RNN - Recurrent Neural Network.
De los siguientes algoritmos, indica cuál es el que introduce una celda de memoria: a) LSTM. b) DFF. c) FF d) SVM.
En una red neuronal de retroalimentación (Feed Forward - FF)... a) ...cada perceptrón o nodo está conectado con cada nodo de la capa siguiente o anterior. b) ...hay una conexión visible entre los nodos de la misma capa. c) ...las capas ocultas tienen conexión con el mundo exterior. d) ...Los nodos forman un ciclo.
¿Quién fue el primer científico que planteó el concepto de Perceptrón? a) Frank Rosenblatt en 1957. b) Mat LeCunn, en 1985. c) Bill Gates en 1997. d) Alan Turing en 1942.
¿Que es un perceptrón? a) Es una neurona artificial que realiza ciertos cálculos para detectar capacidades de los datos de entrada en un problema de redes neuronales. b) Es el conjunto de capas ocultas que configuran una red neuronal. c) Es el conjunto de capas, incluidas las de entrada, ocultas y de salida que configuran una red neuronal. d) Ninguna de las respuestas anteriores es correcta.
¿En qué tipo de problemas del aprendizaje automático se puede aplicar el Deep Learning? a) Tanto en entrenamientos supervisados como no supervisados b) El Deep Learning no se aplica en problemas de aprendizaje automático. c) Solo en entrenamientos supervisados. d) Solo en entrenamientos no supervisados.
¿El aprendizaje profundo (Deep Learning) es una de las principales técnicas del aprendizaje automático (Machine Learning)? a) Sí. b) Sí, pero solo hasta el año 2015, cuando su desarrollo superó tanto las técnicas como los objetivos del Machine Learning. Desde entonces se considera como una técnica independiente. c) No, constituye por sí misma una técnica diferente e independiente del Machine Learning. d) No, aunque últimamente se está considerando que ambas técnicas confluyen y se las empieza a tratar como una misma técnica.
¿En qué década se empezaron a publicar los primeros conceptos acerca cómo deberían funcionar las redes neuronales? a) En los años 40 y 50 del S.XX b) En los años 20 del S.XX. c) En los años 80 del S.XX. d) En los años 10 del S.XXI.
Las redes neuronales se asemejan al cerebro en estos aspectos: a) El conocimiento se adquiere por la red mediante un proceso de aprendizaje, y, las fuerzas de conexión interneuronal (ponderaciones sinápticas) se utilizan para almacenar el conocimiento. b) Se activan partes específicas de la red neuronal (como los hemisferios del cerebro) y necesitan reposar para fijar conocimientos (como cuando el humano duerme). c) Aprenden como los niños pequeños, por observación y por poner en práctica lo observado (prueba - error). d) En ningún aspecto.
En esencia una red convolucional lo que hace es… a) ...trata de buscar características locales en pequeños grupos de entradas (píxeles, secuencias de mediciones de audio, etc). b) ...detectar los vectores directores que soportan los datos fundamentales de las instancias. c) ...revolucionar los datos a la mayor velocidad de cómputo posible hasta que detecta los de mayor peso específico.
¿En qué ámbitos están dando mejores resultados las redes neuronales convolucionales? a) En reconocimiento de voz y procesamiento de imágenes. b) En detección de fraudes bancarios y predicción de precios en las viviendas. c) Únicamente en procesamiento del lenguaje natural d) En reconocimiento de voz y generación de textos literarios.
|
