RNN LSTM

¿Qué es una red neuronal recurrente (RNN)?

• Una red neuronal con múltiples capas ocultas

• Una red neuronal que utiliza conexiones en bucle para procesar secuencias de datos

• Una red neuronal que sólo se utiliza para reconocimiento de imágenes

• Una red neuronal que no utiliza funciones de activación

¿Cuál es una limitación principal de las RNN tradicionales?

• No pueden manejar datos secuenciales

• Su entrenamiento es extremadamente rápido

• Sufren de problemas de gradientes vanishing y exploding

• No pueden ser utilizadas para tareas de clasificación

¿Qué componente clave diferencia a una LSTM de una RNN estándar?

• Capa de entrada

• Unidad de control

• Celdas de memoria

• Función de activación

¿Qué función tiene la puerta de entrada en una celda LSTM?

• Eliminar información irrelevante

• Añadir nueva información a la celda de memoria

• Decidir qué parte de la memoria debe actualizarse

• Regular la salida de la celda

¿Qué se utiliza para evitar el problema de vanishing gradients en LSTM? A)

• Celdas de memoria y puertas

• Capas de convolución

• Grandes tasas de aprendizaje

• Redes neuronales profundas

¿Cuál es la principal ventaja de usar LSTM sobre RNN estándar?

• Menor complejidad computacional

• Mejor manejo de dependencias a largo plazo

• No necesita funciones de activación

• Siempre produce resultados más precisos

¿Qué técnica se utiliza comúnmente para entrenar redes LSTM?

• Regresión lineal

• Backpropagation Through Time (BPTT)

• Descenso de gradiente estocástico

• K-means clustering

¿Qué tipo de problemas son especialmente adecuados para RNN y LSTM?

• Clasificación de imágenes

• Procesamiento de secuencias temporales

• Regresión lineal

• Análisis de gráficos

¿Cuál es el papel de la función de activación en una RNN?

• Determinar el tamaño de la red

• Introducir no linealidad en la red

• Decidir la arquitectura de la red

• Eliminar el gradiente

¿Qué es el "backpropagation through time" (BPTT) en el contexto del entrenamiento de RNN?

• Un método para ajustar los pesos de redes convolucionales

• Un algoritmo para aplicar backpropagation a secuencias temporales

• Una técnica para preprocesar datos secuenciales

• Un enfoque para inicializar los pesos de la red