AWS Fundamentos de Machine Learning 1

¿Qué es el aprendizaje automático?

• Un programa de computación que toma decisiones sin datos

• Una técnica de IA que permite a las máquinas aprender a partir de datos

• Un tipo de software basado en reglas fijas

• Un sistema autónomo que no necesita ajustes

¿Cuál de los siguientes es un ejemplo de aprendizaje supervisado?

• Un coche autónomo que se entrena sin etiquetas

• Un modelo de regresión para predecir precios de casas

• Agrupar clientes sin conocer sus atributos

• Un agente de refuerzo que aprende con recompensas

¿Qué papel juega la inteligencia artificial (IA) en el aprendizaje automático?

• La IA es un subconjunto del aprendizaje automático

• El aprendizaje automático es un subconjunto de la IA

• La IA y el aprendizaje automático son términos intercambiables

• Ninguno, son tecnologías completamente distintas

¿Qué es una red neuronal artificial?

• Un modelo matemático basado en datos estructurados

• Un conjunto de capas interconectadas que procesan información de manera jerárquica

• Una red de computadoras interconectadas

• Un sistema basado en reglas fijas

¿Qué define el aprendizaje profundo?

• Uso de algoritmos básicos sin capas ocultas

• Uso de redes neuronales profundas con múltiples capas

• Entrenamiento sin supervisión

• Solo se utiliza para problemas sencillos

¿Cuándo se recomienda utilizar el aprendizaje automático en lugar de los métodos tradicionales de software?

• Cuando no se tienen grandes cantidades de datos

• Cuando el problema requiere identificar patrones en grandes conjuntos de datos

• Cuando las reglas del problema son claras

• Cuando se busca un modelo determinista

¿Qué significa sobreajustar un modelo?

• El modelo tiene un bajo rendimiento en los datos de entrenamiento

• El modelo aprende demasiado bien los datos de entrenamiento y no generaliza a nuevos datos

• El modelo no es capaz de aprender nada

• El modelo no puede procesar nuevos datos

¿Cuál es el propósito de un modelo de aprendizaje automático no supervisado?

• Encontrar patrones en los datos sin etiquetas

• Aprender de un conjunto de datos etiquetado

• Crear un modelo predictivo basado en la experiencia previa

• Entrenar a través de recompensas

¿Cuál de las siguientes afirmaciones describe correctamente el aprendizaje por refuerzo?

• El modelo se entrena con datos etiquetados

• El modelo aprende interactuando con su entorno y recibiendo recompensas

• El modelo utiliza redes neuronales profundas para resolver problemas

• El modelo agrupa datos similares sin supervisión

¿Qué tipo de problema representa la clasificación binaria?

• Un problema donde las salidas pueden tener múltiples categorías

• Un problema en el que solo hay dos clases posibles

• Un problema donde se predice un valor numérico continuo

• Un problema donde el modelo no conoce las etiquetas de los datos