RA4 - DASP - ILERNA

Sistemas diseñados y entrenados para realizar tareas específicas. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial simbólica.

Asistentes virtuales, sistemas de recomendación, sistemas de filtrado de spam de correo electrónico, o algoritmos de reconocimiento de voz o de reconocimiento facial. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial simbólica.

Tendría la capacidad de entender, aprender y aplicar conocimientos de una manera general, de una forma similar a como lo hace un ser humano. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial simbólica.

Podría tener una conversación significativa sobre cualquier tema, tanto técnico como filosófico, mostrando una comprensión profunda; sería capaz de llevar a cabo investigaciones científicas avanzadas, formulando hipótesis y llevando a cabo experimentos; y podría también adaptarse a nuevos entornos y tareas sin necesidad de sufrir una reprogramación específica. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial simbólica.

Utiliza representaciones explícitas y formales de conceptos y las relaciones existentes entre ellos empleando redes semánticas, ontologías y sistemas basados en reglas. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial simbólica.

Representación explícita del conocimiento, razonamiento basado en reglas, transparencia y comprensibilidad, o manipulación de lenguajes naturales. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial simbólica.

Se basa en modelos matemáticos y métodos computacionales que intentan emular el aprendizaje y el procesamiento de información de manera similar a cómo lo hacen los sistemas biológicos, particularmente el cerebro humano. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial simbólica.

Puede manejar grandes cantidades de datos y adaptarse a nuevas situaciones sin la necesidad de una programación explícita y detallada de reglas. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial simbólica.

Relaciona cada técnica en minería de datos con su descripción: Clasificación. Asignar elementos a categorías predefinidas basándose en características observadas. Agrupar elementos en clusters o grupos basados en similitudes inherentes entre ellos. Identificar relaciones entre variables y predecir valores continuos. Encontrar reglas de asociación que describan relaciones significativas entre variables en los datos.

Relaciona cada técnica en minería de datos con su descripción: Clustering. Asignar elementos a categorías predefinidas basándose en características observadas. Agrupar elementos en clusters o grupos basados en similitudes inherentes entre ellos. Identificar relaciones entre variables y predecir valores continuos. Encontrar reglas de asociación que describan relaciones significativas entre variables en los datos.

Relaciona cada técnica en minería de datos con su descripción: Regresión. Asignar elementos a categorías predefinidas basándose en características observadas. Agrupar elementos en clusters o grupos basados en similitudes inherentes entre ellos. Identificar relaciones entre variables y predecir valores continuos. Encontrar reglas de asociación que describan relaciones significativas entre variables en los datos.

Relaciona cada técnica en minería de datos con su descripción: Análisis de asociación. Asignar elementos a categorías predefinidas basándose en características observadas. Agrupar elementos en clusters o grupos basados en similitudes inherentes entre ellos. Identificar relaciones entre variables y predecir valores continuos. Encontrar reglas de asociación que describan relaciones significativas entre variables en los datos.

Relaciona cada técnica en minería de datos con su descripción: Detección de anomalías. Asignar elementos a categorías predefinidas basándose en características observadas. Agrupar elementos en clusters o grupos basados en similitudes inherentes entre ellos. Identificar relaciones entre variables y predecir valores continuos. Identificar datos que no se ajustan a patrones normales o esperados.

El objetivo es aprender a partir de datos etiquetados. Esto implica que para cada entrada el modelo recibe una etiqueta de la misma. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo.

El objetivo es encontrar patrones o estructuras ocultas en los datos. Las aplicaciones más comunes de este tipo de aprendizaje incluyen la técnica de agrupación y la reducción de dimensionalidad. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo.

Se da en un entorno donde se adoptan acciones para lograr una recompensa. No se dan respuestas correctas explícitas, sino que se aprende a través del sistema prueba/error, y la retroalimentación se presenta en forma de recompensas o castigos. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo.

¿Qué caracteriza a la inteligencia artificial débil?. Puede realizar tareas generales como un humano. Está diseñada para tareas específicas. Es autónoma y consciente. Aprende y razona sin programación previa.

¿Cuál de los siguientes es un ejemplo de inteligencia artificial subsimbólica?. Algoritmos de lógica proposicional. Redes neuronales artificiales. Sistemas basados en reglas. Manipulación de lenguajes formales.

¿Qué año se asocia con la creación del término "Inteligencia Artificial"?. 1943. 1950. 1956. 1966.

¿Cuál de las siguientes técnicas pertenece a la minería de datos?. Retropropagación. Clustering. Algoritmos genéticos. Redes neuronales profundas.

En el aprendizaje supervisado, ¿qué característica es esencial?. La ausencia de etiquetas en los datos. Uso de retroalimentación con recompensas. Datos etiquetados para entrenar el modelo. Búsqueda de patrones ocultos sin etiquetas.

¿Qué lenguaje de programación es más popular para proyectos de inteligencia artificial?. C++. Python. JavaScript. Ruby.

¿Cuál de los siguientes es un uso común de la inteligencia artificial en finanzas?. Automatización de líneas de producción. Mantenimiento predictivo. Detección de fraude. Diagnóstico médico.

¿Qué modelo de inteligencia artificial ganó el concurso Jeopardy! en 2011?. Deep Blue. AlphaGo. IBM Watson. OpenAI GPT.

¿Cuál es una característica clave de la inteligencia artificial simbólica?. Es difícil interpretar su razonamiento. Utiliza reglas explícitas para tomar decisiones. Aprende patrones automáticamente. Utiliza redes neuronales profundas.

¿Qué tecnología combina IA y big data para optimizar el nivel de inventario?. Redes neuronales. Gestión de inventarios basada en IA. Clustering de datos de clientes. Predicción de cosechas.