Test ml ud3

TEST BORRADO, QUIZÁS LE INTERESE: ML UD3 - DAM

COMENTARIOS	ESTADÍSTICAS	RÉCORDS

REALIZAR TEST

Título del Test:
ML UD3 - DAM

Descripción:
Machine Learning UD3

Autor:

Metalex84

OTROS TESTS DEL AUTOR

Fecha de Creación:
17/04/2024

Categoría: Informática

Número Preguntas: 122

COMPARTE EL TEST

COMENTAR

No hay ningún comentario sobre este test.

Temario:

Uno de los creadores de las redes neuronales es: John Manifolds Walter Pitts Frank Anderson.
Un subconjunto del aprendizaje automático es: El cálculo numérico El álgebra El aprendizaje profundo.
En la capa oculta los nodos: Se encuentran expuestos a la entrada Se encuentran expuestos a la salida Los nodos de esta capa no están expuestos.
¿Qué es Matplotlib? La principal biblioteca de gráficos científicos en Python que proporciona matrices dispersas que se utilizan cuando queremos almacenar una matriz 2D que contiene en su mayoría ceros La principal biblioteca de gráficos científicos en Python que proporciona funciones para realizar visualizaciones con calidad de publicación La principal biblioteca de gráficos científicos en Python que proporciona rutinas avanzadas de álgebra lineal y función matemática.
Uno de los pasos importantes en el proceso de retropropagación es: Mínimo de error Uso del feed-forward Cálculo del perceptrón.
¿Qué argumentaba el libro “Perceptrones”? Argumentaba que el enfoque de percepción única de Rosenblatt para las redes neuronales podía traducirse de manera efectiva sin redes neuronales de múltiples capas Argumentaba que el enfoque de percepción única de Rosenblatt para las redes neuronales no podía traducirse de manera efectiva en redes neuronales de múltiples capas Argumentaba que el enfoque de percepción única de Rosenblatt para las redes neuronales podía traducirse de manera efectiva solo en redes neuronales de múltiples capas.
¿Qué es la retropropagación?: Es un algoritmo de aprendizaje supervisado para entrenar redes neuronales naturales Es un algoritmo de aprendizaje supervisado para entrenar perceptrones multicapa Es una distribución de Python hecha para procesamiento de datos a pequeña escala y computación científica que está disponible en Mac OS, Windows y Linux.
La retropropagación, ¿de qué es sinónimo? Es sinónimo de corrección Es sinónimo de divergencia Es sinónimo desactualización.
Dentro de la validación, un valor de pérdida alto generalmente significa: Máxima eficiencia del modelo Errores altos del modelo Retroalimentación alta.
¿Qué significa un valor de pérdida alto? Significa que el modelo está generando pocos errores Significa que el modelo está generando resultados erróneos Es un indicador de que en el modelo hay menos errores.
En las redes feed-forward: Los ejemplos de entrada se envían a la red y se transforman en una salida Los ejemplos de salida se envían a la red y se transforman en una entrada Ninguna de las respuestas es correcta.
¿Cuál es la afirmación correcta? Las redes feed-forward son aquellas en las que los ejemplos de entrada se envían a la red y se transforman en una salida Las redes feed-forward son aquellas que automatizan procesos de toma de decisiones generalizando a partir de ejemplos desconocidos Las redes feed-forward son aquellas que automatizan procesos de toma de decisiones generalizando a partir de ejemplos conocidos y ocasionalmente de ejemplos desconocidos.
¿Cuál es la característica de las redes feed-forward? Las redes feed-forward tienen noción de orden en el tiempo Las redes feed-forward tienen noción de orden en el tiempo, aunque la única entrada que consideran es el ejemplo actual al que se han expuesto Las redes feed-forward no tienen noción de orden en el tiempo ya que la única entrada que consideran es el ejemplo actual al que se han expuesto.
El funcionamiento de las redes recurrentes es: Toman como entrada no solo el ejemplo de entrada actual que ven, sino también lo que han percibido previamente en el tiempo. Toman los ejemplos de entrada que se envían a la red y se transforman en una salida. Ninguna de las respuestas es correcta.
¿Para qué se usan las redes adversariales generativas o GAN? Se usan para el análisis de aplicaciones que no sean multimedia Se usan para el análisis de imágenes, vídeo u otras aplicaciones multimedia Se usan exclusivamente para el análisis de imágenes.
¿Cuál es un paso que sigue una GAN? El discriminador toma imágenes tanto reales como falsas devolviendo probabilidades, donde 1 representa una predicción de autenticidad y 0 representa una falsificación El discriminador toma imágenes tanto reales como falsas devolviendo probabilidades, donde 1 representa una falsificación y 0 representa una predicción de autenticidad El generador toma imágenes tanto reales como falsas devolviendo probabilidades, donde 1 representa una predicción de autenticidad y 0 representa una falsificación.
¿Cuál es un paso que sigue una GAN? El generador toma números aleatorios y devuelve un conjunto de números ordenados El generador toma números aleatorios y devuelve una imagen El discriminador toma números aleatorios y devuelve una imagen.
¿Qué es el discriminador en las GAN? Una red neuronal que evalúa los datos para verificar su autenticidad decidiendo si cada instancia de datos que revisa pertenece al conjunto de datos de entrenamiento real o no Una red neuronal que genera nuevas instancias de datos Una red neuronal que evalúa los datos sin verificar su autenticidad.
¿Qué es “x” en las variables “y sobre x”? X es el parámetro de la red neuronal donde tiene una relación con el error, y al cambiar el parámetro, podemos aumentar o disminuir el error X es el parámetro de la red neuronal que no tiene una relación con el error X es el parámetro de la red neuronal donde tiene una relación con el error, y al cambiar el parámetro, solo podemos disminuir el error.
Un tensor es: Un objeto matemático que proporciona un marco simple para modelar fenómenos físicos Un objeto matemático que proporciona un marco simple para modelar fenómenos artificiales Un fenómeno físico que se puede representar por un objeto matemático.
¿Qué es un tensor? Es un objeto matemático que proporciona un marco simple para modelar fenómenos matemáticos y resolver problemas en matemáticas Es un objeto matemático que proporciona un marco simple para modelar fenómenos físicos y resolver problemas en matemáticas y física Es un objeto matemático que proporciona un marco complejo para modelar fenómenos físicos y resolver problemas en física.
¿Qué es un tensor en el contexto del Machine Learning? Es una matriz multidimensional que en su forma más simple es un escalar Es una matriz de una sola dimensión que en su forma más simple es un escalar Es una matriz multidimensional que en su forma más compleja es un escalar.
¿Qué conseguimos con la propiedad shape? Tener una idea rápida de cuántas instancias (columnas) y cuántos atributos (filas) contienen los datos Tener una idea rápida de cuántas instancias (filas) y cuántos atributos (columnas) contienen los datos Tener una idea rápida sólo de cuántas instancias (filas) contienen los datos.
Se puede convertir una matriz NumPy en un tensor usando el método: convert_to_numpy() convert_to_t() convert_to_tensor().
¿Cómo convertimos una matriz NumPy en un tensor? Mediante el uso del método convert_to_tensor** de TensorFlow Mediante el uso del método convert_to_tensor() de TensorFlow Mediante el uso del método convert_to_tensorMAE de TensorFlow.
Un modelo de una red neuronal simple con una capa oculta con la biblioteca TensorFlow se crea mediante: Simple() Sequential() Simple_network().
¿Cómo se crea un modelo de una red neuronal simple con una capa oculta con la biblioteca TensorFlow? Con Sequential() Con print() Con convert_to_sensor().
Otra forma de denominar a las redes neuronales artificiales es: Redes de alto rendimiento Redes neuronales Redes de machine learning.
Uno de los conceptos principales precursor de las redes neuronales es: La lógica de umbral Datos de prueba diferidos Mecánica de bloques.
El creador del perceptrón es: Frank Rosenblatt John Manifolds Walter Pitts.
Podemos definir el papel de la función de activación como: Derivar la salida de un conjunto de valores de entrada alimentados a un nodo Realizar las pruebas pertinentes de los datos de entrenamiento Comprobar la desviación entre modelo y datos predictivos.
¿Qué conseguimos con “softmax”? Es la función de activación que se debe usar en la capa de salida para normalizar todas las salidas para que sumen 0 Es la función de activación que se debe usar en la capa de salida para normalizar todas las salidas para que sumen 1, asegurando que estén en el rango [0, 1] Es la función de activación que se debe usar en la capa de entrada para normalizar todas las entradas para que sumen 1, asegurando que estén en el rango [0, 1].
En las redes feed-forward: Los ejemplos de salida se envían a la red y se transforman en una entrada Los ejemplos de entrada se envían a la red y se transforman en una salida Ninguna de las respuestas es correcta.
¿Qué es la convolución para fines matemáticos? Es la integral que mide cuánto se superponen dos funciones cuando una pasa sobre la otra Es el etiquetado que establece los resultados deseados para el algoritmo Es el vector que mide cuánto se superponen dos funciones cuando una pasa sobre la otra.
¿Qué es la convolución en el contexto de una red neuronal convolucional? Es la integral que mide cuánto se superponen dos funciones cuando una pasa sobre la otra Es una operación lineal que implica la multiplicación de un conjunto de pesos con la entrada donde la multiplicación se realiza entre una matriz de datos de entrada y una matriz tridimensional de pesos Es una operación lineal que implica la multiplicación de un conjunto de pesos con la entrada donde la multiplicación se realiza entre una matriz de datos de entrada y una matriz bidimensional de pesos.
Las redes neuronales convolucionales son redes neuronales que se utilizan principalmente para clasificar: Otras redes Sonidos Imágenes.
Las redes recurrentes se distinguen de las redes feed-forward por: El circuito de retroalimentación conectado a sus decisiones de salida El circuito de retroalimentación conectado a sus posiciones ocultas El circuito de retroalimentación conectado a sus decisiones pasadas.
Las redes adversariales generativas (GAN) son: Arquitecturas algorítmicas que utilizan una red neuronal Arquitecturas de regresión lineales que se enfrentan a no lineales Arquitecturas algorítmicas que utilizan dos redes neuronales, enfrentando una con la otra .
Los algoritmos discriminativos: Intentan clasificar los datos de entrada Intentan clasificar los datos de salida Intentan clasificar los datos de entrada y salida.
¿Qué son los algoritmos discriminativos? Son aquellos que intentan clasificar los datos de entrada asignando características a las etiquetas Son aquellos que intentan clasificar los datos de entrada sin asignar características a las etiquetas Son aquellos que intentan clasificar los datos de salida.
Los modelos generativos: Modelan la distribución entre múltiples claves Aprenden el límite entre clases Modelan la distribución de clases individuales.
Una máquina de Turing neuronal (NTM) es: Una máquina de Turing con diversos clasificadores Un modelo de red neuronal recurrente de una máquina de Turing Ninguna de las respuestas es correcta.
¿Cuál es la afirmación correcta? Las NTM suelen ser muy inestables numéricamente Las redes GAN utilizan un único alimentador Los algoritmos generativos no se pueden utilizar como clasificadores.
¿De qué se compone básicamente una NTM? De una red neuronal o matriz y una red neuronal 2D De una red neuronal o controlador y una matriz 2D De una red neuronal y una matriz 1D.
¿Qué significan las siglas NTM? Matriz de confusión Máquina de Turing Neuronal Hiperplano marginal máximo.
En la biblioteca TensorFlow, un tensor es: Una estructura de datos Un conjunto de datos fijos Un conjunto de funciones.
¿Qué es TensorFlow? Es una plataforma de código abierto para el aprendizaje automático Es la interfaz que construye un clasificador menos preciso al convertir un problema no separable en un problema separable Es la interfaz de programación de aplicaciones de alto nivel.
¿Qué son las capas en TensorFlow? Son objetos que toman tensores como entradas y generan salidas que nos son tensores Son objetos que toman tensores como salidas y generan entradas que también son tensores Son objetos que toman tensores como entrada y generan salidas que también son tensores.
En TensorFlow, las capas son objetos a los que se puede llamar y que: Toman tensores como entrada y generan salidas que también son tensores Toman tensores como salida y generan entradas que también son tensores Toman tensores como salida y/o entrada que también son tensores .
¿Qué pueden contener las capas? Pesos y sesgos que se ajustan durante la fase de entrenamiento Pesos y sesgos que nunca se ajustan durante la fase de entrenamiento Sólo contienen pesos.
Para convertir las etiquetas de imagen absolutas en categóricas usaremos funciones de la biblioteca: Keras TensorFlow NumPy.
Una de las 5 librerías específicas clave para cualquier proyecto de machine learning es: numpy math date.
¿Qué son numpy.eye, numpy.diag y numpy.vander? Son funciones de creación de matrices 1D Son algoritmos que permiten manejar datos estructurados mediante árboles de decisión Son funciones de creación de matrices 2D.
¿Qué son numpy.linspace y numpy.arange? Son funciones de creación de matrices 1D Son funciones de creación de matrices 2D Un algoritmo que permite manejar datos estructurados.
Una herramienta para la representación gráfica de los valores de un modelo es: matplot pyplot pydraw.
Una de las partes mínimas importantes en la documentación de un proyecto es: Dependencias externas La documentación de las subvenciones Equipamiento necesario.
Uno de los documentos importantes en la documentación de un proyecto es: El API RestFul El manual del usuario El manual de Python.
¿Qué debemos hacer una vez que nuestro modelo esté listo? Entrenarlo Compararlo con otro modelo Cotejarlo con un árbol de decisión.
¿Cuál es la afirmación correcta? Al comparar nuestro modelo con otro modelo debemos tener en cuenta que los resultados que se muestran variarán con cada ejecución del programa debido a la naturaleza estocástica de los klústeres involucrados Al entrenar nuestro modelo debemos tener en cuenta que los resultados que se muestran no variarán con cada ejecución del programa debido a la naturaleza estocástica de los algoritmos involucrados Al entrenar nuestro modelo debemos tener en cuenta que los resultados que se muestran variarán con cada ejecución del programa debido a la naturaleza estocástica de los algoritmos involucrados.
¿Qué es el reconocimiento de objetos? Es la capacidad de un algoritmo para identificar objetos arbitrarios dentro de imágenes más grandes usado típicamente en aplicaciones de ingeniería para identificar formas con fines de modelado y por las redes sociales para el etiquetado de fotos Es la capacidad de un algoritmo para identificar objetos arbitrarios dentro de imágenes más grandes usado típicamente en aplicaciones de ingeniería Es la capacidad de un algoritmo para identificar objetos arbitrarios dentro de imágenes más grandes usado típicamente en redes sociales para el etiquetado de fotos.
¿Hasta qué año la detección de rostros era un problema sin resolver? 2002 2001 2003.
¿Qué son las GAN? Son las redes convolucionales Son las redes neuronales recurrentes Son las redes adversariales generativas.
¿Para qué usamos predict()? Para ver la salida de la red para uno o más ejemplos de entrenamiento/prueba Para ver la entrada de la red para uno o más ejemplos de entrenamiento/prueba Para ver la entrada de la red, exclusivamente, para un ejemplo de entrenamiento/prueba.
¿Qué significa Deep Learning? Significa Aprendizaje humano Significa Aprendizaje neuronal Significa Aprendizaje profundo.
¿Cuándo se implementó la primera red Hebbian con éxito en el MIT? En 1954 En 1950 En 2002.
¿Qué es el aprendizaje hebbiano? Un modelo de aprendizaje basado en la plasticidad neuronal, propuesto por Donald Hebb en su libro “The Organisation of Behavior” Un modelo de aprendizaje basado en la plasticidad neuronal, propuesto por Warren McCulloch en su libro “The Organisation of Behavior” Un modelo de aprendizaje basado en la plasticidad neuronal, propuesto por Donald Hebb en su libro “The Organisation of Algorithm”.
¿Cómo se llaman los axones que interactúan entre si gracias a los nodos? Se llaman algoritmos Se llaman bordes Se llaman dendritas.
¿De qué consta la primera capa en la que se apilan los nodos? Consta de materia prima de datos como valores numéricos, texto, imágenes o sonido, que se dividen en nodos Consta exclusivamente de valores numéricos Consta de valores numéricos y texto.
¿Qué hace la capa aplanadora? Aplanar un tensor de salida sin cambiar sus valores que se necesita para crear una versión vectorizada de cada imagen para una mayor entrada a la siguiente capa Aplanar un tensor de entrada cambiando sus valores ya que se necesita para crear una versión vectorizada de cada imagen para una mayor entrada a la siguiente capa Aplanar un tensor de entrada sin cambiar sus valores ya que se necesita para crear una versión vectorizada de cada imagen para una mayor entrada a la siguiente capa.
¿Qué hace la función ReLU? Realiza la función de activación en la segunda capa aplanadora Realiza la función de activación en la primera capa densa Realiza la función de activación en la primera capa aplanadora.
¿Qué significa ReLU? Validación multidireccional Función de activación circular rectificada Función de activación lineal rectificada.
¿Qué hace la capa densa? Calcular la suma ponderada de las entradas sin agregar un sesgo Aplanar un tensor de entrada sin cambiar sus valores ya que se necesita para crear una versión vectorizada de cada imagen para una mayor entrada a la siguiente capa Calcular la suma ponderada de las entradas, agregando un sesgo y pasando la salida a través de una función de activación.
¿Cuántas bibliotecas claves necesitaremos instalar para nuestro proyecto? Cinco Seis Una.
¿Qué son las redes recurrentes? Son las redes que toman como entrada no solo el ejemplo de entrada actual sino también lo que han percibido previamente en el tiempo y de las que se suele decir que tienen memoria Son las redes que no tienen noción de orden en el tiempo ya que la única entrada que consideran es el ejemplo actual al que se han expuesto Son las redes que toman como entrada solo el ejemplo que han percibido previamente en el tiempo.
¿Cuál es la afirmación correcta? Los modelos discriminativos son un método de aprendizaje supervisado paramétrico que se utiliza para la clasificación y la regresión Los modelos generativos no modelan la distribución de clases individuales Los modelos discriminativos aprenden el límite entre clases.
¿Cuál es la afirmación correcta? Los modelos discriminativos modelan la distribución de clases individuales Los modelos generativos modelan la distribución de clases individuales Los modelos generativos crean un modelo donde una gran cantidad de árboles funcionan como un conjunto.
¿Qué es maxpooling? Es una técnica de aprendizaje supervisado que se utiliza para la clasificación y la regresión Es una técnica de reducción de muestreo donde el clasificador convolucional desecha datos Es una técnica de reducción de muestreo donde el generador desecha datos.
¿Qué es el generador en las GAN? Una red neuronal que genera nuevas instancias de datos Una red neuronal que evalúa los datos para verificar su autenticidad decidiendo si cada instancia de datos que revisa pertenece al conjunto de datos de entrenamiento real o no Una red neuronal que genera los datos para verificar su autenticidad decidiendo si cada instancia de datos que revisa pertenece al conjunto de datos de entrenamiento real o no.
¿Cómo podemos definir a la Inteligencia Artificial? Podemos definirla como un término general que se refiere a las técnicas que permiten a las computadoras imitar el comportamiento animal y que representa un conjunto de algoritmos entrenados Podemos definirla como un término general que se refiere a las técnicas que permiten a las computadoras imitar el comportamiento humano y que representa un conjunto de algoritmos entrenados Podemos definirla como un término general que se refiere a las técnicas que permiten a las computadoras imitar el comportamiento humano y no representa un conjunto de algoritmos entrenados.
¿Qué significa Flatten layer? Árbol de decisión Capa aplanadora Capa densa.
¿Cuál es la afirmación correcta? El cerebro humano contiene neuronas interconectadas con dendritas que reciben entradas, a partir de éstas, la neurona produce una salida de señal eléctrica en el axón para luego emitir las señales a través de las terminales del axón a otras neuronas El cerebro humano no contiene neuronas interconectadas con dendritas El cerebro humano contiene neuronas interconectadas con axones que reciben entradas, a partir de éstas, la neurona produce una salida de señal eléctrica en la dendrita para luego emitir las señales a través de las terminales de la dendrita a otras neuronas.
¿Cuál es la afirmación correcta? Las neuronas biológicas no realizan la retropropagación con precisión, pero parecen lograr el mismo efecto por otros medios Las neuronas biológicas realizan la retropropagación con precisión sin lograr el mismo efecto por otros medios Las neuronas biológicas realizan la retropropagación con precisión.
¿Qué significa Dense layer? Capa aplanadora Capa densa Capa de contenido.
¿Cuál es la afirmación correcta? El conjunto de datos MNIST consta de imágenes de 28 por 18 de dígitos escritos a mano junto con sus etiquetas correspondientes El conjunto de datos MNIST consta de imágenes de 28 por 28 de dígitos escritos a mano junto con sus etiquetas correspondientes El conjunto de datos MNIST consta de imágenes de 18 por 18 de dígitos escritos a mano junto con sus etiquetas correspondientes.
¿Cuál es la afirmación correcta? Con MNIST entrenamos y probamos el modelo de clasificación supervisada que creemos MNIST es un aprendizaje que muestra una gran promesa en muchas aplicaciones de aprendizaje donde los algoritmos a menudo se adaptan con mucho cuidado a un caso sin ninguna guía externa Con MNIST creamos una jerarquía de clústeres.
¿Qué es Keras? Es un algoritmo Es una de las bibliotecas más usadas en Python para el análisis de las redes neuronales Es una criptomoneda.
¿Cómo se llaman las redes donde el aprendizaje profundo utiliza una estructura de algoritmos de varias capas? Redes neuronales Redes de área personal Redes Python.
¿Qué es una matriz? Es un número Es una cuadrícula rectangular de números que ocupa varias filas y columnas Es un grupo de números.
¿Qué calcula el método de evaluate()? Calcula la precisión general del modelo en el conjunto de datos pasado como argumento Calcula la entrada de la red para uno o más ejemplos de entrenamiento/prueba Calcula la entrada de la red, exclusivamente, para un ejemplo de entrenamiento/prueba.
¿Cuándo podemos montar el proyecto en su etapa de implementación y presentación? Una vez estudiados los datos y realizadas las pruebas previas Una vez estudiados los datos, investigados los posibles modelos y realizadas las pruebas previas Una vez realizadas las pruebas previas.
¿Qué establece el valor del argumento de métricas? Establece sólo el parámetro para monitorear durante la fase de entrenamiento Establece el parámetro para monitorear y registrar durante la fase de entrenamiento Establece relaciones entre un grupo de artículos en Internet.
¿Cuál sería un paso de la implementación del proyecto? Crear múltiples modelos diferentes para predecir especies a partir de mediciones de pandas Crear múltiples modelos diferentes para predecir especies a partir de mediciones de flores Separar un conjunto de datos sin validar.
¿Para qué se desarrolló el Perceptrón multicapa? Para hacer frente a la limitación que consistía en que el perceptrón sólo se podía aplicar a datos no lineales Para hacer frente a la limitación que consistía en que el perceptrón no se podía aplicar a datos no lineales El Perceptrón multicapa no existe.
¿Qué tiene el Perceptrón multicapa? Tiene capas de entrada y salida, y una o más capas ocultas con muchas neuronas apiladas juntas El Perceptrón multicapa no existe Solo tiene varias capas ocultas con pocas neuronas apiladas juntas.
¿Qué es el perceptrón? Es un modelo de entradas, salidas, funciones y conexiones que permiten representar la unidad mínima dentro de una red Es un modelo de entradas y salidas que permiten representar la unidad mínima dentro de una red Es un modelo de entradas y conexiones que permiten representar la unidad mínima dentro de una red.
¿Cuál es la afirmación correcta? El Perceptrón multicapa no existe El Perceptrón multicapa entra en la categoría de algoritmos feedforward porque las entradas se combinan con los pesos iniciales en una suma ponderada y se someten a la función de activación, a diferencia del perceptrón sin ninguna diferencia El Perceptrón multicapa entra en la categoría de algoritmos feedforward porque las entradas se combinan con los pesos iniciales en una suma ponderada y se someten a la función de activación, al igual que en el perceptrón con la diferencia de que cada combinación lineal se propaga a la siguiente capa.
¿De qué se encarga el método fit()? Se encarga de forma casi automática de dividir el conjunto de entrenamiento en un conjunto de entrenamiento y validación Se encarga automáticamente de multiplicar el conjunto de entrenamiento en un conjunto de entrenamiento y validación Se encarga automáticamente de dividir el conjunto de entrenamiento en un conjunto de entrenamiento y validación.
¿Qué proporciona el módulo utils de la biblioteca de Keras para la conversión de las etiquetas de imagen absolutas en categóricas? Proporciona el método to_cate() para la conversión de las etiquetas de imagen absolutas en categóricas Proporciona el método to_print() para la conversión de las etiquetas de imagen absolutas en categóricas Proporciona el método to_categorical() para la conversión de las etiquetas de imagen absolutas en categóricas.
¿Qué realiza la capa oculta? La capa oculta realiza todo tipo de cálculos sobre los datos recogidos a través de la capa de entrada no transfiriendo el resultado a la capa de salida La capa oculta realiza todo tipo de cálculos sobre los datos recogidos a través de la capa de entrada y transfiere el resultado a la capa de salida Actualizar un SomeProject ya instalado a la última versión de PyPI.
¿Qué es la capa oculta? Es la capa donde los nodos no están expuestos, aunque no proporcionan una abstracción a la red neuronal Es la capa donde los nodos no están expuestos proporcionando una abstracción a la red neuronal. Dicha capa oculta realiza todo tipo de cálculos sobre los datos recogidos a través de la capa de entrada y transfiere el resultado a la capa de salida Es la capa donde los nodos están expuestos por lo que no proporcionan una abstracción a la red neuronal.
¿Qué se consigue en la fase de compilación del modelo en la creación de un modelo de una red neuronal simple con una capa oculta? Especificar solamente la función de pérdida de nuestro modelo Agrupar simultáneamente las filas y columnas de la matriz de datos en diferentes subgrupos sin lograr que las filas y columnas dentro de un subgrupo muestren patrones similares Especificar el optimizador y la función de pérdida de nuestro modelo.
¿Qué es la capa de salida? Es la capa final de la red que trae la información aprendida a través de la capa oculta y entrega el valor final como resultado Es la capa de la red que trae la información aprendida a través de la capa de entrada y solo a veces entrega el valor final como resultado Es la capa que realiza todo tipo de cálculos sobre los datos recogidos a través de la capa de entrada y transfiere el resultado a la capa de salida.
¿Cuál es una característica de la capa de salida? Que suele utilizar la misma función de activación que las capas ocultas Que generalmente usará una función de activación diferente a las de las capas ocultas Que realiza una distribución de Python para computación científica.
¿Cuál es la afirmación correcta? En la capa de entrada se realizan todo tipo de cálculos sobre los datos recogidos a en la capa de salida En la capa de entrada no se realiza ningún cálculo En la capa de entrada se trae la información aprendida a través de la capa oculta y se entrega el valor final como resultado.
¿Cuál es la afirmación correcta? ReLU se ha convertido en la función de activación predeterminada para muchos tipos de redes neuronales aunque un modelo que la usa es más difícil de entrenar ReLU se ha convertido en la función de activación predeterminada para muchos tipos de redes neuronales porque un modelo que la usa es más fácil de entrenar logrando un mejor rendimiento Python se ha convertido en la función de activación predeterminada para muchos tipos de redes neuronales porque un modelo que la usa es más fácil de entrenar, aunque no logre un mejor rendimiento.
¿En qué año la Inteligencia Artificial simbólica fue desafiada por una severa teoría alternativa? En 1986 En 2021 En 1976.
¿Cuándo devuelve “0” una neurona de McCulloch-Pitts al tomar las entradas ya que son sumas ponderadas? Cuando el resultado no está por debajo del umbral Cuando el resultado está por debajo del umbral Nunca devuelve “0”.
¿En qué año se desarrollaron con éxito los sistemas denominados ADALINE y MADALINE? En el año 1977 En el año 2000 En el año 1959.
¿Qué pasos se producen en la retropropagación? Sólo cálculo del error Sólo cálculo del error y actualización de los parámetros Cálculo del error, mínimo de error, actualización de los parámetros y una vez que el error se vuelve mínimo, el modelo está listo para hacer una predicción.
¿Quién introdujo el conjunto de datos de la flor de Iris? Bill Gates Ronald Anderson Ronald Fisher.
¿Por qué es famoso el conjunto de datos de flores de Iris? Porque prácticamente todo el mundo lo utiliza como el conjunto de datos de "hola mundo" en el aprendizaje automático y las estadísticas Porque prácticamente todo el mundo lo utiliza como el conjunto de datos de "ok Google" en el aprendizaje automático y las estadísticas Porque prácticamente todo el mundo lo utiliza como el conjunto de datos de "hola mundo" sólo en el aprendizaje automático.
Para comprender las GAN, ¿de qué algoritmos debemos comprender el funcionamiento?: Debemos saber cómo funcionan los algoritmos generativos no siendo importante contrastarlos con los algoritmos discriminativos Debemos saber cómo funcionan los algoritmos generativos siendo importante contrastarlos con los algoritmos discriminativos ya que éstos últimos intentan clasificar los datos de salida Debemos saber cómo funcionan los algoritmos generativos siendo importante contrastarlos con los algoritmos discriminativos ya que éstos últimos intentan clasificar los datos de entrada.
¿En qué inspiró la denominación de las redes neuronales artificiales? En el cerebro humano En el cerebro animal En el cerebro humano y en el cerebro animal.
¿Cuál es la afirmación correcta? Validation loss es una métrica utilizada para evaluar cómo un modelo de aprendizaje profundo se ajusta a los datos de entrenamiento Validation loss es una métrica utilizada para evaluar el rendimiento de un modelo de aprendizaje profundo en el conjunto de validación Validation loss es una métrica que evalúa el error del modelo sobre el conjunto de entrenamiento.
¿Cómo podemos evaluar las predicciones? Comparándolas con los resultados esperados en el conjunto de validación para luego calcular la precisión de la clasificación, así como una matriz de confusión y un informe de clasificación Comparándolas con los resultados esperados en el conjunto de validación para luego calcular la precisión de la clasificación, así como una matriz de confusión sin necesidad del informe de clasificación Comparándolas con los resultados esperados en el conjunto de validación sin calcular la precisión de la clasificación.
¿Qué significa validation loss? Significa pérdida en escala Significa pérdida en validación Significa pérdida en entrenamiento.
¿Qué es un conjunto de datos de prueba? Es una muestra de datos utilizada para proporcionar una evaluación imparcial de un ajuste de modelo final en el conjunto de datos de entrenamiento Es una muestra de datos retenidos del entrenamiento que se utiliza para dar una estimación de la habilidad del modelo mientras ajusta los pesos que hemos estado hablando del modelo Es una muestra de datos utilizada para proporcionar una evaluación parcial de un ajuste de modelo final en el conjunto de datos de entrenamiento.
¿Qué es un conjunto de datos de validación? Es una muestra de datos retenidos del entrenamiento que se utiliza para dar una estimación de la habilidad del modelo mientras ajusta los pesos que hemos estado hablando del modelo Es una muestra de datos utilizada para proporcionar una evaluación imparcial de un ajuste de modelo final en el conjunto de datos de entrenamiento Es una muestra de datos utilizada para proporcionar una evaluación parcial de un ajuste de modelo final en el conjunto de datos de entrenamiento.
¿Para qué se pueden usar las GAN? Para crear un conjunto de datos de clasificación sintético de una clase Es un ejemplo de un conjunto que se utiliza para resolver exclusivamente problemas de clasificación Para sustentar las Deepfakes.
¿Para qué usamos pip o conda? Para crear una pequeña cantidad de árboles de decisión individuales que operan como un conjunto donde cada árbol individual en el bosque aleatorio crea una predicción de clase Para instalar Keras o TensorFlow en nuestro sistema dependiendo de su entorno de Python Para instalar Keras o TensorFlow en nuestro sistema no dependiendo de su entorno de Python.
¿Para qué se utilizan los tensores en TensorFlow? Para encapsular todas las entradas en una red de aprendizaje profundo ya que el conjunto de datos de entrenamiento y cada ejemplo de prueba deben convertirse en un tensor Para encapsular todas las entradas y salidas en una red de aprendizaje profundo ya que el conjunto de datos de entrenamiento y cada ejemplo de prueba deben convertirse en un tensor Para supervisar y medir el rendimiento de un modelo durante el entrenamiento y las pruebas siendo necesario que sean diferenciables.
¿Qué es Anaconda? Una distribución de Python hecha para procesamiento de datos a gran escala, análisis predictivo, y computación científica que está sólo disponible en Windows Una distribución de Python hecha para procesamiento de datos a pequeña escala y computación científica que está disponible en Mac OS, Windows y Linux Una distribución de Python hecha para procesamiento de datos a gran escala, análisis predictivo, y computación científica que está disponible en Mac OS, Windows y Linux.

Denunciar Test

▲