Test
Inteligencia Artificial
Este test tiene tipos de pregunta que se abren en el reproductor de siempre.
Preguntas del test (90)
1¿Qué es absolutamente necesario para poder resolver un problema con redes neuronales (da igual el modelo que sea)?
- AUna función derivable.
- BTensorFlow o una librería similar.
- CEjemplos resueltos.
- DDatos.
2¿Cuál de los siguientes hechos son ciertos?
- AMcCulloch y Pitts proponen el modelo formal de neurona artificial.
- BEl modelo de red de Kohonen está basado en los trabajos previos de Von der Malsburg.
- CRosemblatt propone el modelo de MLP.
3De los siguientes procesos. ¿Cuáles son parte del proceso de la información que tiene lugar en una neurona?
- ASuma ponderada de las entradas: para la neurona j, sería Σ𝑊𝑖𝑗𝐿𝑖.
- BSuma ponderada de las entradas: para la neurona j, sería 1 si j ≥ 0 y 0 si j < 0.
- CCálculo de la Función de Activación.
4¿Qué es 𝑊𝑖𝑗?
- ALa componente i-esima del vector de pesos de la neurona j.
- BLa componente j-esima de la neurona i.
- CEl vector de pesos de la neurona i.
- DEl vector de pesos de la neurona j.
- EEl peso de la conexión de la neurona i hacia la neurona j.
5La ley de aprendizaje de Hebb es: 𝑊⃗⃗⃗ 𝑛𝑢𝑒𝑣𝑜= 𝑊⃗⃗⃗ 𝑣𝑖𝑒𝑗𝑜+𝑦 𝑖𝑥 𝑖
- AVerdadero.
- BFalso.
6El aprendizaje Hebbiano es también conocido como aprendizaje.
- AAsociativo.
- BCompetitivo.
7Clasificar es:
- AHacer Clustering con todos los datos.
- BAsignar áreas del espacio a clases.
- CAsignar un patrón a uno de los grupos definidos previamente.
- DDividir el espacio N-dimensional de patrones definidos por sus N características en K regiones excluyentes correspondientes a K posibles grupos.
- EExpandir las N características de un vector – patrón en un espacio (K – 1) dimensional donde K son los grupos que existen.
8Hacer Clustering es
- ADividir el espacio N-dimensional de características en K regiones no excluyentes.
- BDividir el espacio N-dimensional de características en K regiones excluyentes.
- CDividir el espacio N-dimensional de características en N regiones no excluyentes.
- DDividir el espacio N-dimensional de características en N regiones excluyentes.
9Durante el entrenamiento no supervisado de una red neuronal, la red
- ARecibe patrones de entrada.
- BActualiza la matriz de pesos.
- CCompara la salida obtenida con la salida esperada.
- DExtrae inductivamente características de esos patrones.
10¿Qué es Δ𝑊𝑖?
- ANinguna de las anteriores.
- BLa variación del peso i-esimo de la neurona j.
- CLa variación del vector de pesos de la neurona i.
11¿Cuáles son los elementos mínimos necesarios para hacer una clasificación?
- ADistancia.
- BPoblación.
- CRed neuronal.
- DCriterio.
12Un SOM aprende gracias a tres mecanismos que se aplican consecutivamente en el siguiente orden:
- ACooperación -> Competición -> Adaptación.
- BCompetición -> Cooperación -> Adaptación.
- CAdaptación -> Competición -> Cooperación.
13¿Qué parámetros durante el aprendizaje de una red de Kohonen según aumentan las iteraciones?
- At
- BPeriodo
- CCoeficiente de aprendizaje.
- DLado.
- EAmortiguación.
- FVecindario.
14¿Cuál es la diferencia entre un SOM y un Mapa de Kohonen?
- ALa función de activación de la neurona.
- BEl número de capas.
- CNinguna.
15Durante el entrenamiento de un SOM, este recibe únicamente datos de entrada.
- AVerdadero
- BFalso
16Un patrón en el espacio 2D es un punto en el espacio de N-dimensional donde N es el número de:
- ACaracterísticas del patrón.
- BClases del espacio N-dimensional.
- CNeuronas de la capa de Kohonen.
17El aprendizaje de un SOM garantiza que:
- ANeuronas topológicamente cercanas en la capa Kohonen son sensibles a entradas físicamente similares.
- BDos patrones cercanos en el espacio inicial producen salidas cercanas en el mapa dimensional.
18En cada presentación de un patrón a un SOM
- ASe procesa solo la neurona más próxima al patrón.
- BSe procesan todas las neuronas de la capa de Kohonen activándose todas las que están a una distancia menor que el coeficiente de aprendizaje.
- CSe procesan todas las neuronas de la capa de Kohonen obteniendo la activación de una única neurona.
19El aprendizaje no supervisado
- AEs más “natural” y biológico que el supervisado.
- BNo requiere de un instructor que proporcione la salida adecuada.
- CEstá basada en reglas de naturaleza local.
20La capa de Kohonen de un SOM puede ser
- ADe cualquier dimensión ≥ 1.
- BSolo de 1 o 2 dimensiones.
- CSolo de 2 dimensiones.
21¿La siguiente situación es compatible con lo estudiado sobre aprendizaje de una red de Kohonen?
- AVerdadero
- BFalso
22Las siguientes ecuaciones representan:
A. 𝐷𝑗=‖𝑋−𝑊𝑗‖=√Σ(𝑥𝑖−𝑤𝑖𝑗)2𝑁𝑖=1
B. 𝐸=𝑋𝑊𝑗=Σ𝑥𝑖𝑤𝑖𝑗- AA. Producto escalar || B. Distancia euclídea.
- BDistintas de calcular la función discriminante de la capa de Kohonen.
- CA. Distancia euclídea || B. Producto escalar.
23Si no existiera amortiguación, las neuronas del vecindario, al aplicar la Ley de Aprendizaje del SOM
- ASe aproximan al patrón más que la neurona ganadora.
- BSe aproximan al patrón menos que la neurona ganadora.
- CSu aproximación al patrón sólo depende del valor de su vector de pesos.
24El modelo de sombrero mejicano en el aprendizaje hace referencia a:
- ALa forma del vecindario.
- BLa variación del coeficiente de aprendizaje en el vecindario.
- CNinguna de las anteriores.
25Cuando decimos que un mapa SOM preserva el orden entendemos que:
- ALos patrones son reconocidos en el orden en que se presentan.
- BLos patrones cercanos en el espacio inicial producen salidas cercanas en el mapa bidimensional.
- CAplica una función 𝑓:𝑅𝑛→𝑅2
26Un SOM es una red neuronal:
- AFeedforward, No lineal, Construida.
- BFeedforward, Lineal, Entrenada.
- CFeedforward, No lineal, Entrenada.
27Las modificaciones de las matrices de pesos en los modelos supervisados son:
- ALocales porque se busca la relación entre un patrón de entrada y una neurona concreta.
- BGlobales porque se buscan relaciones un patrón de entrada y uno de salida y eso involucra a toda la red.
28La función de activación de una neurona de un MLP ha de ser:
- AContinua y derivable.
- BNo continua y no lineal.
- CContinua, derivable y no lineal.
- DLineal.
- EDiscontinua y derivable.
29Algunos problemas del algoritmo de Backpropagation son:
- AExistencia de mínimos locales en la función de error.
- BExistencia de mínimos locales en la función de energía.
- CParálisis de la red.
30El Perceptrón:
- AAprende de acuerdo a la Ley de Hebb.
- BRealmente no son tres capas sino 2.
- CUsa una neurona formal binaria tipo McCulloch y Pitts (0, 1).
31¿Qué es la siguiente fórmula?
ℎ𝑘𝑝=𝑓(𝑆)=𝑓(Σ𝑤𝑗𝑘𝑖𝑗𝑝𝑛𝑗=1)→𝑘=1,2,…,𝑙- AFunción de evaluación del error en la salida de la capa oculta.
- BSalida de una neurona de la capa oculta.
- CSalida de una neurona de la capa de salida.
32¿Quién propuso la Regla Delta?
- ARosemblatt.
- BHebb.
- CWidrow y Hoff.
33La Regla Delta:
- AAjusta todos los pesos de la red multicapa proporcionando una correspondencia entre las entradas y las salidas esperadas.
- BNo sirve para entrenar una MLP porque falta información de salida de la capa oculta.
- CNo sirve para entrenar una MLP porque falta información de salida de la capa de salida.
34El aprendizaje supervisado:
- ARequiere de una Función de Error + Ley de Aprendizaje.
- BEs el proceso por el que la red modifica sus pesos en función de las salidas presentadas asociando patrones de entrada a patrones de salida.
- CEs un algoritmo iterativo que ajusta los pesos de la red intentando minimizar el error entre las salidas esperadas y las producidas por la red.
35El Teorema de la Aproximación Universal dice que: “Una única capa oculta es suficiente para aprender cualquier función con el grado de precisión deseado”.
- AVerdadero.
- BFalso.
36¿En cuántos grupos hay que dividir los datos disponibles para entrenar una red?
- AEn 2: validación y prueba.
- BEn 3: entrenamiento, validación y prueba.
- CEn 4: entrenamiento, validación, prueba y ejecución.
37La técnica de validación cruzada hace que el entrenamiento se prolongue hasta que:
- AEl error del conjunto de validación se aproxima a cero.
- BEl error del conjunto de validación aumente respecto al del conjunto de entrenamiento.
- CEl error del conjunto de entrenamiento se aproxima a cero.
38¿A qué otra expresión vista anteriormente recuerda la expresión: 𝑊= (𝑋𝑇𝑋)−1∗𝑋𝑇𝑋?
- AA la ley de aprendizaje del perceptrón.
- BA nada visto anteriormente.
- CA la ley de aprendizaje asociativo.
39El aprendizaje no supervisado busca relaciones entre [blank_start]patrones de entrada[blank_end] mientras que el supervisado los busca entre patrones de entrada con patrones de salida.
- Apatrones de entrada
40Al concluir el entrenamiento MLP puede ocurrir:
- AQue el entrenamiento excesivo y la red memorice.
- BQue el entrenamiento sea correcto y la red generalice.
- CQue el entrenamiento no sea excesivo y haya overfiting.
- DQue no haya habido entrenamiento.
- EQue el entrenamiento sea suficiente y la red no generalice.
- FQue el entrenamiento no sea suficiente y la red no generalice.
41El perceptrón multicapa deriva de:
- AEl modelo Adaline de Widrow.
- BEl perceptrón de Rosenblatt.
- CNinguno de ambos.
42Serie temporal:
- AMedidas a un horizonte dado de una variable discontinua.
- BDatos markovianos ordenados en el tiempo.
- CSucesión de medidas realizadas a intervalos regulares en el tiempo.
43MLP, Madaline, Perceptrón y Adaline, son todo ellos:
- AModelos no lineales de aprendizaje supervisado.
- BModelos lineales de aprendizaje supervisado.
- CNinguna de las otras.
44Aprendizaje es:
- AObtener la mejor matriz de pesos.
- BRegla Delta + Algoritmo de aprendizaje.
- CEstudiar los datos de entrenamiento.
- DEntrenamiento + Función matemática de ajuste de pesos.
- EIterar sobre el conjunto de entrenamiento.
- FDescender el gradiente.
45Entrenar un MLP implica:
- AAjustara las matrices de pesos usando el algoritmo de la Regla Delta.
- BAjustar las matrices de pesos usando el algoritmo de la Regla Delta Generalizada.
- CAjustar la matriz de pesos de salida usando el algoritmo de la Regla Delta Generalizada.
46Minsky y Papert demuestran:
- AQue el perceptrón no puede resolver problemas no lineales.
- BQue el perceptrón puede reducirse a un teorema de no linealidad.
- CQue el perceptrón puede extenderse a varias capas.
47Son elementos de una serie temporal:
- AEl ruido aleatorio o azar.
- BLa tendencia.
- CLa variación estacional.
48¿Qué representa la expresión 𝑊= (𝑋𝑇𝑋)−1∗𝑋𝑇𝑋?
- ALa matriz de pesos de un modelo neuronal lineal.
- BLa matriz de pesos para el mínimo erro cuadrático medio en una regresión lineal múltiple multidimensional.
- CEl error cuadrático medio mínimo en una regresión lineal múltiple multidimensional.
49La Regla Delta Generalizada:
- APropaga el error hacia la capa de salida para actualizar las correspondientes matrices de pesos.
- BPropaga el error hacia las capas ocultas para actualizar las correspondientes matrices de pesos.
50¿Cómo depende el error respecto a la matriz de pesos en un modelo neuronal supervisado?
- ANo hay tal dependencia.
- BA través de la salida deseada.
- CA través de la salida real de la red.
- DA través de la suma ponderada de las entradas.
51La Regla Delta Generalizada:
- AConsigue siempre el estado estable en el que la matriz de pesos no varia más porque ha alcanzado el mínimo absoluto.
- BMaximizar el error modificando la matriz de pesos.
- CBusca el estado estable de mínimo error descendiendo por el gradiente de la superficie de error de la red.
- DUsa el error cometido por la red para ajustar los pesos modificándolos proporcionalmente a lo que hemos descendido por el gradiente del error.
52ARIMA
- AEs un modelo neuronal lineal para predicción.
- BCorresponde al primer modelo propuesto por Lapedes y Farber.
- CEs un modelo de Box-Jenkins.
53Motivos para usar redes convolucionales
- AAsegurarse la invarianza de la posición.
- BPoder entrenarlas con Backpropagation.
- CPoder tratar imágenes con menos pesos y así hacerlo de forma eficiente.
54¿Cuáles de las siguientes afirmaciones son ciertas?
- AEn una imagen en color cada canal RGB está codificado en una matriz distinta.
- BEn una imagen en color cada píxel está relacionado con los píxeles de su entorno.
- CEn una imagen en escala de grises los píxeles no tienen relación entre sí.
55El primer modelo operativo de DNN lo propuso Hinton y era
- AUn Deep Autoencoder con arquitectura coder-decoder.
- BUna red de Creencia Profunda.
- CUna Máquina de Boltzmann Restringida.
- DUna red Convolucional.
56Las redes convolucionales extraen características de la imagen de forma jerárquica e incremental. Esto quiere decir
- ALas capas superiores encuentran características más complejas, independientemente de donde se encuentren en la imagen.
- BCada capa trabaja siempre con la imagen completa, pero encuentra características distintas.
- CCada capa extrae un tipo de características de la capa imagen, más complejas cuantos más superficial es la capa.
57El teorema de aproximación Universal dice que “una única capa oculta es suficiente para aprender cualquier función con el grado de precisión deseado”
- AFalso
- BVerdadero
58En una capa de convolución
- ACada neurona es un kernel si la imagen tiene un solo canal.
- BCada neurona es un filtro.
- CCada neurona es un kernel.
- DPuede haber más de un filtro por capa.
59Las DBN y los Deep Autoencoders tienen en común
- ATienen una fase de entrenamiento no supervisado y un ajuste final supervisado.
- BNo usan capas de neuronas tipo perceptrón.
- CEstán compuestos por capas más sencillas que se entrenan una a una de forma no supervisada.
60Las redes convolucionales son redes
- AHíbridas.
- BFeedback.
- CFeedforward.
- DLocally connected.
61En un Autoencoder la Loss Function mide
- AEl error de reconstrucción 𝑅=|𝑋−𝑔(𝑓(𝑋))|.
- BEl error cuadrático medio cometido por cada neurona.
- CLa distancia entre la imagen original y la reconstruida.
62En una capa de convolución,
- AHay tantos mapas de características como neuronas.
- BHay tantos mapas de características como kernels.
63Modelos profundos de aprendizaje supervisado
- AAutoencoders.
- BRNN.
- CCNN.
- DRBM.
64Las CNN se usan para
- ARegresión.
- BClustering.
- CClasificar.
65El principal problema del entrenamiento de una DNN radica en que
- ALas capas más cerca de la salida se entrenan menos que las próximas a la entrada.
- BLas capas más someras pueden generalizar, pero a partir de datos erróneos que les proporcionan las capas más profundas.
- CLas capas más profundas se pueden entrenar a costa de disminuir el error de las capas superiores.
66La convolución 2D convierte una matriz de entrada 2D en otra matriz de salida 2D.
- ANo
- BSi
- CSi, pero solo si hay padding
67Una DNN tiene más capacidad de representación que una superficial (puede aprender funciones más complejas) porque
- ACada capa oculta aprende a representar datos con los conceptos aprendidos en las anteriores.
- BCada capa oculta computa una transformación no lineal de la salida de la capa anterior.
68La capa de clasificación de una CNN
- AEs la última de las capas convolucionales con tantas neuronas como clases tenemos que clasificar.
- BSon capas fully connected tipo MLP con una última capa de clasificación.
69La salida de cada convolución es una matriz obtenida por combinación lineal de la entrada con el filtro de esa convolución
- ANo, hay que aplicar el pooling.
- BSi.
- CNo, hay que aplicar la función de activación.
70¿Cuáles de estas afirmaciones son ciertas?
- ALa magnificación de datos mejora la capacidad de generalización de la red.
- BEl overfiting se evita usando dropout o data augmentation.
- CEl dropout es una forma de evitar la generalización de la red.
71Las capas de un Autoencoder tienen que ser
- ANecesariamente capas tipo MLP.
- BCualquier arquitectura diferenciable y no lineal.
- CNecesariamente capas convolucionales.
72La sensibilidad de una neurona de una capa oculta disminuye rápidamente.
- APor el producto de las derivadas de las funciones de activación mas cercanas a la entrada de la red.
- BPor el producto de las derivadas de las funciones de activación más cercanas a la salida de la red.
- CLas sensibilidades de las neuronas no varían con la profundidad de la red.
73La convolución es una transformación
- ALocal.
- BGlobal.
74Una red profunda funciona mejor que una red con una sola capa porque la composición conjunta de múltiples funciones lineales (una por capa) da como resultado una función no lineal.
- AVerdadero.
- BFalso.
75El operador convolución se aplica únicamente a funciones continuas
- AVerdadero.
- BFalso.
76En una DNN el error se va diluyendo de forma exponencial a medida que atraviesa capas hacia la capa de entrada. Por ello.
- ASolo las primeras capas se entrenan mientras que las ultimas apenas sufren cambios.
- BNinguna capa consigue entrenarse.
- CSolo las ultimas capas se entrenan mientras que las primeras apenas sufren cambios.
77Un optimizer es:
- ALa función de coste de la DNN.
- BEl método de calcular las derivadas parciales del gradiente.
- CEl método que determina como se optimizan los pesos en una red en función de la loss Function.
78Un Autoencoder es una red neuronal:
- AHíbrida.
- BSupervisada.
- CNo Supervisada.
79Los algoritmos genéticos son métodos de optimización basados en el descenso de gradiente.
- AVerdadero.
- BFalso.
80Para que en una población de soluciones aparezcan soluciones completamente nuevas es necesario que haya
- AAl menos mutación.
- BNecesariamente entrecruzamiento.
81La definición darwiniana de “supervivencia del más apto” ¿se puede aplicar a cómo funciona un algoritmo genético?
- AFalso.
- BVerdadero.
82Un algoritmo genético
- ACalcula la solución a un problema mediante el método de derivadas parciales.
- BEs una técnica de Soft computing.
- CBusca la solución a un problema en el espacio de estados de posibles soluciones.
83La resolución de problemas mediante la técnica de los algoritmos genéticos
- AEstá basada en poblaciones.
- BAplica los principios de selección natural a problemas no biológicos.
- CSolo es aplicable a problemas de optimización.
84Las soluciones que resuelven mejor el problema generan descendencia con mayor probabilidad que las otras
- AVerdadero
- BFalso
85El tamaño de la población en un algoritmo genético tiene que ser
- AMayor cuanto más complejo es el problema (mayor tamaño del cromosoma).
- BMenor cuanto mayor sea la probabilidad de selección
- CMayor cuantas más generaciones dure el proceso.
86Cada individuo codifica una solución a un problema. Esa codificación se llama
- ACardinalidad.
- BCromosoma.
- CFitness.
87El fitness es
- AEspecífico para cada problema.
- BUn operador genético.
- CLa evaluación de lo bueno que es un individuo como solución al problema propuesto.
- DUna función de coste.
88Un algoritmo genético
- ANunca cae en mínimos locales.
- BNo escapa de los mínimos locales, pero nunca cae en el peor de los óptimos.
- CTrata de escapar de los mínimos locales permitiendo que soluciones subóptimas se puedan reproducir.
89El operador de selección
- AElige que individuos se replican.
- BElige qué genes mutan.
- CElige que individuos desaparecen.
90Cada individuo en un algoritmo genético es
- AParte de la solución al problema propuesto.
- BEl resultado de mejoras sucesivas sobre el conjunto de la población.
- CUna solución al problema propuesto.
Información
- Descripción
- Cuarto IA2 Test sobre Inteligencia Artificial, creado por Pablo Quetin el 01/12/2024.
- Autor
- Pablo Quetin
- Idioma
- Español
- Visitas
- 6
- Etiquetas
- Valoración
- Aún sin valoraciones Valora este test