IA

¿Con qué método o métodos de búsqueda se obtienen siempre la solución con un número menor de pasos? Si hay más de uno marcarlos todos. Búsqueda en anchura. Búsqueda en profundidad. Descenso Iterativo.

¿Cuál de los siguientes algoritmos de escalada reduce la posibilidad de caer en óptimos locales?. Escalada por máxima pendiente. Ninguno de ellos. Escalada simple.

¿Cuál o cuales de las siguientes afirmaciones de los algoritmos de búsqueda no informada son ciertas?. Los algoritmos de búsqueda no informada requieren de información heurística para que sean óptimos. La búsqueda en anchura garantiza obtener la solución óptima siempre y cuando el coste de los operadores sea unitario. La búsqueda en profundidad garantiza obtener la solución óptima siempre que el coste de los operadores sea unitario.

¿Cuáles de las siguietnes opciones son correctas?. El agente deliberativo dispone de un modelo del mundo en el que habita. El agente deliberativo reacciona a los cambios que percibe, aunque no estén en su modelo del mundo. El agente deliberativo dispone de un modelo de los edectos de sus acciones sobre el mundo.

¿Cuáles de los siguientes métodos son búsqueda sin información?. Búsqueda en anchura, pero no búsqueda en profundidad. Búsqueda en anchura, búsqueda en profundidad. Búsqueda en profundidad pero no búsqueda en anchura.

¿Cuántos caminos se mantendrán en memoria en la búsqueda en profundidad retroactiva?. 2. 1. 3. Todos.

¿El uso de una función heurística garantiza que un método de búsqueda consiga la solución óptima?. Siempre. Nunca. Depende del algoritmo y de la heurística.

¿Qué estrategia de control utiliza un método de escalada?. Exploración en grafos. Irrevocable. Retroactiva.

¿Qué representan los nodos cuando se usa la estructura de grafo dirigido para representar un problema en IA?. Nodos: una posible acción; Arcos: un estado del sistema. Nunguna de las respuestas anteriores es cierta. Nodos: un objeto; Arcos: un camino. Nodos: un estado del sistema; Arcos: una posible acción.

¿Sería viable generar el grafo completo para representar el espacio de estadis del ajedrez?. Sí pero es más eficiente trabajar con el grafo implícito. No, serían demasiados nodos.

¿De entre la búsqueda en anchura y en profundidad retroactiva. ¿Cuál de los dos usa menos memoria?. La búsqueda en profundidad retroactiva. Los dos usan la misma cantidad de memoria. La búsqueda en anchura. No usan memora.

En el problema del mono🐒 y los plátanos ¿Qué tipo de agente sería más eficaz?. Deliberativo. Social. Reactivo.

En la búsqueda en anchura es necesario ir analizando desde el estado inicial todos los sucesores de cada nodo antes de pasar al nivel siguiente en el árbol de búsqueda. Sólo en los primeros pasos. No. Si.

En la búsqueda en profundidad retroactiva, el contenido de la memoria almacenada es. Todos los caminos que se han explorado. El camino que se está explorando. El nodo actual.

La búsqueda en anchura permite obtener la solución con menor número de acciones. Depende del problema. Si. No.

La búsqueda en profundidad retroactiva es una estrategia de búsqueda. Explicativa. Tentativa. Especulativa.

La principal diferencia entre el algoritmo de escalada simple y el algoritmo de escalada por la máxima pendiente es. Los estados que se tienen en cuenta para la generación del siguiente estado. El uso de la heurística sobre los nodos sucesores y el criterio de parada. La posibilidad de vuelta atrás y el criterio de parada.

Las heurísticas son: Criterios, métodos o principios para obtener el óptimo. Funciones usadas en algunos problemas. Criterios, métodos o principios para decidir cuál de entre varias acciones promete ser la mejor para alcanzar una meta.

Los métodos de escalada tienen como objetivo pasar irrevocablemente desde un nodo al nodo sucesor. Ningunda de las anteriores. A todos los nodos sucesores. Que mejore al nodo actual.

Los métodos heurísticos en general no garantizan la solución óptima, pero producen resultados satisfactorios en la resolución de problemas. Verdadero. Falso.

Los problemas fundamentales de un método de escalada son (marca todos los que sean). Máximos locales. Cálculo de la heurística. Mesetas.

Según su funcionamiento ¿Qué estructura de datos sería más apropiada para implementar la búsqueda en profundidad?. Cola con prioridad. Una pila. Una lista. Una cola.

Selecciona la definición que mejor se ajuste al concepto de espacio de estados. Es la representación del conocimiento del problema, ya generada al inicio del problema, y que no se relaciona con la ejecución del agente. Grafo cuyos nodos representan las configuraciones alcanzables (los estados válidos) y cuyos arcos explicitan las acciones posibles. Grafos cuyos nodos representan acciones, algunas imposibles y otras posibles; el agente debe ir seleccionando la que mejor le satisfaga.

Una ventaja de los métodos de escalada es que son siempre fáciles de implementar. Tan solo cuando no se incluyen probabilidades. Siempre. Tan solo los métodos de escalada simples.

¿Cuál de entre los siguientes algoritmos de escalada tiene más probabilidad de caer en óptimos locales?. Escalada simple. Enfriamiento simulado. Escalada por máxima pendiente.

¿Cuál de los siguientes algoritmos de escalada reduce la posibilidad de caer en óptimos locales?. Escalada por máxima pendiente. Enfriamiento simulado. Escalada simple.

¿Cuál o cuáles de los siguientes algoritmos tienen una componente aleatoria?. A *. Escalada simple. Genéticos. Escalada máxima pendiente.

¿El uso de una función heurística garantiza que un método de búsqueda consiga la solución óptima?. Depende del algoritmo y de la heurística. Nunca. Siempre.

¿Qué estrategia de control utiliza un método de escalada?. Irrevocable. Retroactiva. Explocación en grafos.

¿Qué hace diferente a los algoritmos genéticos de los otros métodos de escalada?. El uso de conjuntos de estados y operaciones sobre conjuntos de estados. El uso de estrategias irrevocables. El uso de decisiones probabilisticas.

¿Qué representa en el problema la adecuación con el entorno en un algoritmo genético?. La población. El valor de la función heurística. El operador de selección.

Cuando se resuelve un problema con un algoritmo genético tanto la codificación del problema como los operadores. Es necesario que se adapten al modelo definido por el algoritmo genético. Es conveniente que se adapten al modelo definido por el algoritmo genético. No es necesario que se adapten al modelo definido por el algoritmo genético.

De los siguientes algoritmos ¿Cual tiene más probabilidades de caer en un máximo o en un mínimo local?. Profundizaje iterativo. Algoritmos genéticos. Escalada máxima pendiente.

El algoritmo de enfriamiento simulado es una variante de los métodos de escalada que se caracteriza por poder seleccionar en algunos de los casos. Estados mejores que el actual. Estados peores que el actual. Estados diferentes al actual.

El algoritmo de escalada estocástico selecciona el siguiente estado. Aleatoriamente entre todos los desendientes que mejoran al actual. Aleatoriamente entre todos los desendientes. Aleatoriamente entre todos los desendientes que mejoran al actual y con una probabilidad para cada descendiente proporcional al valor de la heurística en el mismo. Aleatoriamente entre todos los desendientes que mejoran al actual y con probabilidad para cada descenciente constante.

En el algoritmo de enfriamiento simulado la energía la representa. La función heurística. La cercanía al óptimo. Un valor global del sistema.

En el algoritmo de enfriamiento simulado la temperatura representa. Un parámetro artificial que permite controlar la definición de la función heurística a lo largo del tiempo. La cercanía al óptimo. Un parámetro artificial que permite controlar la conducta del algoritmo a lo largo del tiempo. El incremento de la función heurística.

La principal diferencia entre el algoritmo de escalada simple y el algoritmo de escalada por máxima pendiente es. El uso de la heurística sobre los nodos sucesores y el criterio de parada. La posibilidad de vuelta atrás y el criterio de parada. Los estados que se tienen en cuenta para la generación del siguiente estado.

Los métodos de escalada tienen como objetivo pasar irrevocablemente desde un nodo al nodo sucesor. ninguna de las anteriores. a todos los nodos sucesores. que mejore al nodo actual.

Los problemas fundamentales de un método de escalada son. Mesetas. Máximos locales. Cálculo de la heurística.

Una ventaja de los métodos de escalad es que son siempre fáciles de implementar. Tan solo cuando no se incluyen probabilidades. Tan solo los métodos de escalada simples. Siempre.

En el algoritmo de búsqueda A*, g(n) expresa el coste estimado desde el nodo n hasta el objetivo y h(n) indica el coste del mejor camino hasta el momento desde el nodo inicial al n. Verdadero. Falso.

Para un nodo, en el algoritmo A* la función g es un valor que no cambia a lo largo del algoritmo. Verdadero. Falso.

Para un nodo, en el algoritmo A* la función h es un valor que no cambia a lo largo del algoritmo. Verdadero. Falso.

¿Cual de los siguientes métodos de búsqueeda es un caso particular de búsqueda primero el mejor o por el mejor nodo?. Algoritmo genético. Algoritmo A*. Búsqueda en profundidad.

¿Cual de los siguietnes algoritmos tiene una componente aleatoria?. Escalada simple. Escalada máxima pendiente. Genéticos. A*.

¿El uso de una función heurística garantiza que un método de búsqueda consiga la solución óptima?. nunca. Siempre. Depende del algoritmo y de la heurística.

En el algoritmo A* abiertos representa. el conjunto de nodos no generados y no explorados. el conjunto de nodos no generados y explorados. el conjunto de nodos generados y no explorados. el conjunto de nodos generados y explorados.

En el algoritmo A* cerrados representa. El conjunto de nodos no generados y no explorados. El conjunto de nodos no generados y explorados. El conjunto de nodos generados y no explorados. El conjunto de nodos generados y explorados.

En el algoritmo A* cuando un sucesor corresponde con un nodo que ya estaba en CERRADOS. El nodo se revisa para determinar cuál es su mejor padre, y en el caso de que haya cambio se propaga dicho cambio a los sucesores. El nodo se elimina. El nodo se revisa para determinar cuál es su mejor padre. El nodo se revisa para determinar cuál es su mejor sucesor y en el caso de que haya cambio se propaga dicho cambio al padre del nodo.

En el algoritmo A* el enlace al mejor padre determina una estructura de. árbol representando los mejores caminos d esde cualquier nodo a la raíz. árbol representando los mejores descendientes de cada nodo. grafo con todos los descendientes desde cualquier nodo al objetivo.

En el algoritmo A* ¿Que es la función g?. Es una medida del coste para ir desde el estado inicial hasta el nodo actual. Es una estimación del coste adicional necesario para alcanzar un nodo objetivo a partir del nodo actual. Es una estimación del coste necesario para alcanzar un estado objetivo.

En el algoritmo A* g(n) indica el coste del mejor camino hasta el momento desde el nodo inicial a un cierto nodo n, y h(n) expresa el coste estimado desde el nodo inicial hasta el nodo objetivo. Verdadero. Falso.

Las heurísticas son. criterios, métodos o principios para obtener el óptimo. funciones usadas en algunos problemas. criterios, métodos o principios para decidir cuál de entre varias acciones promete ser la mejor para alcanzar una meta.

Un juego es determinístico porque. Siempre se puede determinar una solución. Siempre se pueden determinar los resultados de los movimientos de los jugadores. Un jugador puede determinar siempre una estrategia ganadora.

hay una diferencia destacable entre un estado de juego y un estado de un problema de búsqueda heurística y es que. En un estado de un juego no se representa la situación del mundo. En un estado de un juego no se representa una valoración numérica sobre el estado. En un estado de un juego hayq ue representar el jugador que le toca mover.

Un juego puede considerarse como un caso de sistema multiagente. Competitivo. Cooperativo.

En un juego inicialmente hay 3 palillos sobre la mesa y dos jugadores MAX y MIN. Max comienza el juego quitando 1 , 2 o 3 palillos.LE sigue min, que también podría quitar 1,2,3 palillos Estas acciones se repiten hasta que un jugador quite el último palillo en cuyo caso pierde el juego ¿la figura muestra el árbol de este juego?. Si porque todos los nodos min están bien valorados. Si porque los nodos min son terminales. No porque no todos los nodos terminales están etiquetados. No porque faltan operadores por aplicar al nodo max.

Las técnicas de juegos se llaman de búsqueda con adversario porque. Los agentes usan valoraciones de los estados terminales opuestas. Los agentes usan repertorios de acciones opuestos. Los agentes usan estados inciales opuestos.

Un estado terminal en un juego bipersonal es un estado en el que. hay un empate entre los jugadores. Los dos jugadores ganan. Los dos jugadores pierden. No hay mas moviemientos aplicables y el juego finaliza.

Un juego bipersonal con información perfecta se considera un laboratorio de interés para la IA porque: Tiene un repertorio de acciones pequeño y aún así son duros de resolver. Siempre se puede encontrar una solución óptima con una buena heurística. Es más difícil de representar que juegos físicos, como el "robosoccer". messi.

Al inicio de la exploración de un árbol de juego. Todos los nodos valen inicialmente 0. Todos los nodos valen inicialmente 0 menos los terminales. Todos los nodos tienen un valor desconocido menos los terminales.

El tamaño aproximado del espacio de nodos a explorar en el ajedrez, que tiene un factor de ramificación de 35 y una profundidad media de 50 movimientos por cada jugador es de: O(35^100). O(100^35). O(35*100). O(e^-35/100).

En un juego una estrategia contingente. Es un camino lineal entre el estado inicial y un estado terminal que incluye nodos MAX y nodos MIN. Es un grafo Y/O que representa movimientos de max y todos los posibles movimientos de oposición de min.

La solución de un juego permite indicar a cada jugador. Qué resultado puede esperar y cómo alcanzarlo. Un camino lineal para encontrar un estado ganador.

Las valoraciones de los nodos terminales de un juego se realizan considerando el punto de vista de. MAX. MIN.

En los juegos bipersonales con información perfecta. Los jugadores actúan cada uno racionalmente, es decir, cada uno trata de obtener el máximo beneficio. Los jugadores actúan cada uno racionalmente, es decir, cada uno trata de maximizar su pérdida.

En un juego de suma nula. Hay reparto de beneficio entre los jugadores y la suma de beneficios es 0. El resultado final del juego es 0. Cada situación final el beneficio de un jugador es total y la pérdida del oponente total.

Un juego puede considerarse como un caso de sistema multiagente cooperativo. Verdadero. Falso.

Es necesario valorar situaciones o asociar una utilidad a siatuaciones distintas a las terminales para poder resolver un juego. Verdadero. Falso.

Un juego con información perfecta es un caso de sistema multiagente con dos jugadores en el que toda la información del tablero estará dispuesta para cada jugador. Verdadero. Falso.

El caso promedio la poda alfa beta permite profundizar. El triple que un procedimiento minimax con el mismo esfuerzo. Un 33% más que un procedimiento minimax con el mismo esfuerzo. El doble que un procedimiento minimax con el mismo esfuerzo.

En el algoritmo minimax podemos cambiar el jugador MAX por el jugador MIN sin más que. Cambiar el orden de la exploración sin alterar ningún otro elemento. Modificar la función heurística sumando -1 a todos sus valores. Cambiar el orden de la exploración y el signo de la función heurística.

En teoría de juegs, minimax es. Un método para encontrar la salida a un laberinto. Un algoritmo para resolver una partida de ajedrez. Un método de decisión para minimizar la pérdida máxima esperada en juegos con adversario, con información perfecta y suma nula. Un tipo de agente deliberativo. Un método de decisión para maximizar la pérdida mínima esperada en juegos con adversario, con información perfecta y suma nula.

En un juego con componente aleatoria, si realizamos un cambio de escala en los valores, ¿las variantes del minimax para este tipo de juegos elegirá la misma jugada?. Si, no depende de los cambios de escala siempre que se conserve el orden de los valores. No siempre, pues puede cambiar el orden de la esperanza matemática de las opciones de una jugada aunque se conserve el orden de los valores.

La cota alfa se calcula como. El valor máximo de los nodos MAX en el camino del nodo a la raíz. El valor máximo de los nodos MIN en el camino del nodo a la raíz. El valor mínimo de los nodos MIN en el camino del nodo a la raíz. El valor máximo de los nodos MAX del árbol del juego.

La efectividad de la poda alfa-beta del algoritmo minimax depende del orden en que se exploren las jugadas. Cierto. Falso. Depende de la función de evaluación estática usada.

En el contexto de búsqueda en juegos con profundidad de corte o limitada, una posición estable es. Una posición del juego en la que la valoración de sus sucesores no cambia respecto a la posición actual. Una posición del juego desde la que no se producen variaciones drásticas de la valoración de sus sucesores respecto a la posición actual. Una posición a la que se puede volver para iniciar una nueva estrategia contingente.

Una función de valoración de nodos intermedios de un juego. No tiene que contemplar situaciones terminales del juego. Tiene que contemplar situaciones terminales del juego, valorandolas con -inf si gana MIN y +inf si pierde MIN. Tiene que contemplar situaciones terminales del juego, valorandolas con -inf si pierde MIN y +inf si gana MIN.

Una regla general como "Todas las casillas azules de un mapa pueden transitarse si el agente tiene un bikini". Se puede representar más adecuadamente con un modelo icónico que con un modelo descriptivo. Se puede representar más adecuadamente con un modelo descriptivo que con un modelo icónico. No pueden representarse ni con un modelo descriptivo ni con un modelo icónico.

La información que se almacena en un nodo de un espacio de estados es un ejemplo de. Un modelo de representación icónico. Un modelo de representación descriptivo. Un modelo de presentación ad-hoc.

El cálculo proposicional es decidible, lo cual significa que. Se puede usar para tomar decisiones a partir de un conjunto de fórmulas. Se puede determinar en tiempo finito si una proposición es deducible de un conjunto de fórmulas. Se puede garantizar que si una fórmula es cierta entonces se puede decidir su certeza.

La relación "X es el padre de Y". Se puede representar más adecuadamente con proposiciones que con predicados. Se puede representar más adecuadamente con predicados que con proposiciones. Solo puede representarse con predicados.

Un árbol de demostración. Es una representación del proceso de demostración de una fórmula bien formada. Es una representación del espacio de estados en la búsqueda de una fórmula bien formada. Es una representación del espacio de fórmulas donde se debe encontrar una demostración.

El modus ponens: Es una regla de inferencia para modelos icónicos. Es una regla de inferencia en lógica proposicional y de predicados. Es una regla de inferencia solo aplicable en lógica proposicional.

Si partimos de dos cláusulas una en la que se afirma que "no llueve o hace frío" y otra en la que se afirma que "llueve o hace frío", la regla de resolución aplicada a ambas establece que. Hace frío. No llueve. No se pueden resolver, son clausulas inconsistentes.

La instanciación universal nos permite deducir. Reglas generales a partir de casos particulares. Casos particulares a partir de reglas generales. La instanciación no nos permite deducir, nos permite inferir.

Para representar con predicados la información sobre una Asignatura, el Curso en que se imparte y el Cuatrimestre. Se puede usar un único predicado asignatura(A,C,Cu) donde A es una variable que representa la asignatura, C el curso y Cu el cuatrimestre. Se pueden usar dos predicados, asignatura (A,C) y asignatura-cuatrimestre(A,Cu) donde A es una variable que representa la asignatura, C el curso y Cu el cuatrimestre. Ninguna de las otras respuestas es cierta porque no se pueden usar predicados para representar datos ya existentes en una base de datos.

¿Es eficiente la resolución en lógica de predicados?. No, sólo sirve como concepto teórico. Si, siempre que nos limitemos a utilizar cláusulas de horn. Si siempre encuentra en tiempo eficiente las demostraciones.

En un sistema basado en el conocimiento, el motor de inferencia. Contiene los hechos inferidos y las reglas para inferir. Permite razonar sobre el conocimiento de la base de conocimiento y los datos proporcionados por un usuario. Es independiente del modelo de representación.

¿Cuál o cuáles son los componentes esenciales que necesita un Sistema Basado en el Conocimiento?. Base de conocimiento. Motor de Inferencia. Interfaz de usuario. Subsistema de explicación.

¿Cual de los siguientes es un tipo de aprendizaje?. Aprendizaje supervisado. Aprendizaje por eliminación. Aprendizaje normal.

¿Cuáles son dos de los métodos de aprendizaje supervisado?. Métodos basados en grafos. Métodos basados en funciones. Métodos basados en instancias. Métodos basados en modelos.

¿Qué tipo de aprendizaje aprende una función a partir de ejemplos de sus entradas y salidas?. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo.

Cuando tengamos más de una hipótesis que satisfaga todos los ejemplos debemos elegir. La primera. La más simple. La más dificil. La que más nos guste.

En aprendizaje una hipótesis estará bien generalizada si. Es consistente con los datos del conjunto de entrenamiento. Es simple. Puede predecir ejemplos que no se conocen.

Cuando la salida de un árbol de decisión es una variable continua, el problema se denomina. Regresión. Continuo. Completo.

Se dice que un problema de aprendizaje es realizable si el espacio de hipótesis. Es continuo. Es lo suficientemente grande. Contiene a la función verdadera.

Un algoritmo de aprendizaje es bueno si. Hace un buen trabajo produciendo clasificaciones de las diferentes hipótesis observadas. Produce hipótesis que hacen un buen trabajo al predecir clasificaciones de ejemplos que no han sido observados. produce hipótesis que hacen un buen trabajo a evaluar clasificaciones de ejemplos observados previamente.

Una hipótesis es consistente si: Satisface a los datos. Generaliza el conocimiento. Es completa.