Quiz
Test 3 IA
Create a free account to finish this quiz
Save your progress and see your final score.
Already have an account? Sign in
Questions in this quiz (15)
1¿Cuáles de las siguientes afirmaciones son verdaderas?
- AEn el algoritmo Q-learning, la iniciación de los valores de la función Q a valores muy bajos (por debajo de los valores reales) favorece la exploración de nuevas soluciones.
- BEn un método de aprendizaje subsimbólico los datos son representados por sus características.
- CEs posible que un clasificador binario que tenga una tasa de verdaderos positivos (true positive rate) de 1 cometa errores.
- DSea un problema de clasificación binario en el que las clases son linealmente separables y suponga que se dispone de todos los casos como ejemplos de entrenamiento. Una red neuronal de una única capa puede aprender un clasificador correcto para este problema si se elige una tasa de aprendizaje (alfa) adecuada y se presentan todos los casos un número suficiente de veces.
2¿Cuáles de las siguientes afirmaciones son verdaderas?
- AEn el aprendizaje por refuerzo se emplean ejemplos para reforzar el proceso de aprendizaje.
- BSi una función se puede aprender con una red neuronal de una única capa, también se puede aprender con una red de dos capas.
- CEl aprendizaje de árboles de decisión es aplicable si los elementos a clasificar pertenecen a más de 2 clases diferentes.
- DDado un problema en el cual las acciones conllevan recompensas estáticas. Una política óptima para este problema consiste en realizar en cada estado la acción que tiene la mayor recompensa.
3¿Cuáles de las siguientes afirmaciones acerca de los algoritmos de aprendizaje son verdaderas?
- AUn algoritmo de aprendizaje no-supervisado aprende sobre instancias de un problema para los que se han dado las soluciones correspondientes.
- BEn un método de aprendizaje simbólico los datos son representados por características.
- CUn clasificador binario que tiene una tasa de verdaderos positivos (true positive rate) igual a 1 no comete errores.
- DEs posible usar una red neuronal para problemas en los que los elementos a clasificar son representados de forma simbólica.
4¿Cuáles de las siguientes afirmaciones acerca de los algoritmos de aprendizaje son verdaderas?
- AMediante una red neuronal de dos capas es posible aprender la función lógica XOR.
- BEl aprendizaje de árboles de decisión (algoritmo ID3) es un método de aprendizaje subsimbólico.
- CEn general, utilizando una política epsilon-greedy en vez de una política greedy en el algoritmo Q-learning, hay más posibilidades de encontrar una política optima.
- DEn la clasificación binaria, la tasa de verdaderos positivos (ture positive rate) mide cuantos de todos los casos positivos han sido clasificados como positivos.
5¿Cuáles de las siguientes afirmaciones son verdaderas?
- ACon una neurona Perceptrón con tres entradas se puede aprender cualquier función booleana de tres parámetros.
- BEn el aprendizaje de redes neuronales, un factor de aprendizaje alfa, que tenga un valor negativo y lo suficientemente pequeño, asegura una buena convergencia de aprendizaje.
- CUn clasificador con una "false positive rate" mayor que 0.5 clasifica más de la mitad de os casos negativos como positivos.
- DEn el Q-learning: si se emplea un factor de descuento gamma igual a 0, el agente aprende a realizar en cada estado aquella acción que le da la mayor recompensa inmediata.
6¿Cuáles de las siguientes afirmaciones acerca de los algoritmos de aprendizaje son verdaderas?
- ACon una neurona perceptron con dos entradas se puede aprender cualquier función booleana de dos parámetros.
- BEn el algoritmo Q-learning se aprende, de forma iterativa, las recompensas que el agente recibe al ejecutar una acción a en un estado s.
- CAl aprender árboles de decisión mediante el algoritmo ID3, es posible que haya atributos de los ejemplos que no aparecen en ningún nodo del árbol aprendido.
- DUn clasificador binario con una tasa de falsos positivos (false positive rate) igual a 1 clasifica a todos los ejemplos negativos como positivos.
7¿Cuáles de las siguientes afirmaciones son verdaderas?
- AUn clasificador con una “true positive rate” igual a 1 no comete errores
- BEn el aprendizaje de árboles de decisión, al decidir el atributo que debe asignarse a un nodo, si con ninguno de los atributos disponibles se obtiene una ganancia positiva, el nodo debe ser un nodo hoja del árbol.
- CPara aprender la función booleana AND de 3 parámetros con una red neuronal es necesario usar una red de al menos 2 neuronas perceptrón
- DEn el algoritmo Q-learning, inicializar los valores de la función Q a valores altos favorece la exploración de nuevos “caminos”
- EEn el algoritmo Q-learning, un agente utiliza un conjunto de ejemplos de entrenamiento del tipo <estado,acción>, para aprender a realizar las mejores
acciones en cada estado.
8¿Cuáles de las siguientes afirmaciones acerca de los algoritmos de aprendizaje son verdaderas?
- AEl aprendizaje de redes neuronales es un método de aprendizaje supervisado, ya que se presenta un conjunto de ejemplos de entrenamiento para los cuales se conoce el resultado
- BUn árbol de decisión representa una función discreta.
- CEn un entorno no determinista, V*(s) representa la recompensa acumulada máxima que se puede obtener a partir del estado s; es decir el valor de recompensa que se obtiene si todas las acciones no deterministas llevan a los estados de mayor recompensa.
- DDado un entorno modelado como un proceso de decisión de Markov. Sea s un estado y a una acción en s y sea r(s,a) la recompensa que se recibe por realizar la acción a en s. Se puede afirmar que Q*(s,a) ≥ r(s,a).
9¿Cuáles de las siguientes afirmaciones son verdaderas?
- AAprender a reconocer cifras (manuscritas) a partir de imágenes puede realizarse mediante un método de aprendizaje supervisado y subsimbólico.
- BPara representar una función booleana AND con 4 parámetros de entrada con una red neuronal es necesario usar una red de al menos 4 neuronas perceptrón.
- CSi un agente desconoce el resultado de una acción, como por ejemplo en un laberinto típico, esta acción se denomina "no determinista".
- DEn un problema de clasificación binaria, las instancias negativas que un clasificador clasifica como positivas se denominan falsos positivos.
10¿Cuáles de las siguientes afirmaciones son verdaderas?
- AEl aprendizaje de árboles de decisión es apropiado para el problema de aprender el diagnóstico de cáncer de mama a partir de mamografías.
- BMediante una red neuronal de varias capaz es posible de representar cualquier función booleana sobre dos parámetros.
- CEl aprendizaje de redes neuronales puede realizarse de forma incremental, es decir, se puede mejorar la existente hipótesis con nuevos ejemplos de entrenamiento.
- DUn clasificados binario con una “false positive rate”=0,5 clasifica la mitad de los casos de forma correcta.
11¿Cuáles de las siguientes afirmaciones son verdaderas?
- AEn el aprendizaje supervisado y simbólico, se aprende de ejemplos de entrenamiento cuyos datos normalmente están representados mediante pares <atributo,valor>.
- BMediante una red neuronal de una única capa se puede representar cualquier función booleana sobre tres parámetros.
- CEn un Problema de Decisión de Markov, la política óptima es el camino con la mayor recompensa acumulada esperada desde el estado inicial hasta alguno de los estados finales.
- DEn el aprendizaje por refuerzo se “refuerza” el proceso de aprendizaje con ejemplos de entrenamiento.
12¿Cuáles de las siguientes afirmaciones son verdaderas?
- AEn un entorno modelable con procesos de decisión de Markov, si un agente realiza una acción cuyo estado resultado depende de algún elemento de azar, esta acción se denomina “no determinista”.
- BSupón una red neuronal con entradas y salidas binarias y neuronas perceptrón (con una función de activación por umbral). Para que esta red pueda calcular la función booleana de la coimplicación debe tener más que una neurona.
- CEn el algoritmo de aprendizaje por refuerzo Q-learning, si un agente siempre elige las acciones de forma aleatoria (durante un número de episodios infinitos), llegará con el tiempo a obtener la máxima recompensa esperada posible
- DCon respecto al aprendizaje de árboles de decisión a partir de un conjunto de ejemplos especificado por atributos. Sean A1 y A2 dos de los atributos que especifican los ejemplos y ambos atributos tengan 3 valores posibles (a11, a12 y a13 para A1 y a21, a22, a23 para A2). Si todos los ejemplos que tengan valor a11 para A1 tienen el valor a21 para A2, los que tengan el valor a12 para A1 tienen el valor a22 para A2 y los que tengan el valor a13 para A1 tienen el valor a23 para A2, entonces uno de los atributos es superfluo y podría eliminarse antes de aplicar el algoritmo.
13¿Cuáles de las siguientes afirmaciones son verdaderas?
- AUn clasificador binario con una “false positive rate”=0,5 clasifica la mitad de los casos negativos como positivos.
- BSe quiere clasificar imágenes en dos clases, los que presentan algún coche y los que no. Para realizar este problema es apropiado usar un método de aprendizaje SUPERVISADO.
- CDado una neurona perceptrón
con dos entradas binarias y una
salida binaria (por activación
umbral) como se presenta en la
figura.
Es posible definir una combinación de pesos (w0, w1,w2) con w0 > 0 y tal que la neurona computa la función booleana AND.
- DAplicando un árbol de decisión como clasificador, es posible que un mismo ejemplo se clasifica en dos nodos hoja diferentes del mismo árbol.
14¿Cuáles de las siguientes afirmaciones acerca de los algoritmos de
aprendizaje son verdaderas?- ACon una neurona perceptron con dos entradas se puede aprender cualquier función booleana de dos parámetros.
- BEn el algoritmo Q-learning se aprende, de forma iterativa, las recompensas que el agente recibe al ejecutar una acción a en un estado s.
- CAl aprender árboles de decisión mediante el algoritmo ID3, es posible que haya atributos de los ejemplos que no aparecen en ningún nodo del árbol aprendido
- DUn clasificador binario con una tasa de falsos positivos (false positive rate) igual a 1 clasifica a todos los ejemplos negativos como positivos.
15Complete la tabla
- AEn un problema de aprendizaje supervisado, si hay dos ejemplos de entrenamiento contradictorios (con resultado distinto para la misma descripción de casos) entonces el aprendizaje no es posible.
- BSea una neurona con función de activación por umbral y 2 entradas binarias (X1 y X2) que devuelve 1 si X1 es 0 y 0 si X1 es 1. En todas las posibles combinaciones de pesos, el sesgo de la neurona (su peso propio) debe tener un valor mayor a 0.
- CEn entornos modelables con procesos de Decisión de Markov, una acción en un estado se denomina “determinista” sí y sólo sí se recibe siempre la misma recompensa por ella.
- DEn un problema de regresión, se aprende clasificar casos en diferentes clases.
- EEl aprendizaje de árboles de decisión es un aprendizaje simbólico.
- FEl rango de valores de salida de una neurona con la función de activación RELU es [0; ∞].
Information
- Description
- Grado Superior Estructura de Datos Avanzada Quiz on Test 3 IA, created by Diego Sánchez on 18/01/2023.
- Author
- Diego Sánchez
- Language
- Español
- Views
- 21
- Tags
- Rating
- No ratings yet Rate this quiz