Practica Redes Neuronales

¿Qué es una red neuronal?

• Un sistema que imita el comportamiento del cerebro humano

• Un tipo de base de datos

• Un algoritmo de clasificación

• Un tipo de máquina de soporte vectorial

¿Cuál es la función principal de una neurona en una red neuronal artificial?

• Calcular funciones matemáticas

• Clasificar imágenes

• Procesar y transmitir información

• Almacenar datos

¿Qué se entiende por "epoch" en el entrenamiento de una red neuronal?

• El tipo de neurona utilizada

• El número de veces que los datos se usan para entrenar la red

• El tipo de función de activación

• Un solo paso de entrenamiento

¿Qué significa "sobreajuste" en el contexto de redes neuronales?

• La red no aprende nada

• La red solo funciona con datos de entrenamiento

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

• La red es demasiado lenta

¿Qué función de activación se utiliza con frecuencia en redes neuronales profundas?

• ReLU

• Tangente hiperbólica

• Sigmoidea

• Lineal

En una red neuronal, ¿qué se entiende por "pesos" en los nodos?

• Los valores aleatorios asignados a las neuronas

• Los valores de salida de la red neuronal

• Variables que determinan la cantidad de señal que pasa de una neurona a otra

• Las entradas de la red neuronal

¿Qué técnica se utiliza para prevenir el sobreajuste en una red neuronal?

• Regularización y dropout

• Reducir el número de datos de entrenamiento

• Aumentar el número de épocas

• Aumentar la complejidad del modelo

¿Qué representa el "gradiente" en el proceso de retropropagación?

• La dirección en la que la red debe ajustar sus pesos

• La velocidad de aprendizaje de la red

• El número de neuronas en una capa

• El cambio en los pesos de la red

¿Cuál es la ventaja de utilizar la función de activación ReLU sobre la sigmoidea en redes neuronales profundas?

• ReLU ayuda a mitigar el problema del desvanecimiento del gradiente

• La sigmoidea puede manejar mejor los valores negativos

• La sigmoidea es más eficiente en redes profundas

• ReLU es más fácil de interpretar

En el proceso de entrenamiento, ¿qué ocurre durante la retropropagación?

• Los pesos se ajustan aleatoriamente

• La salida de la red se calcula

• Los pesos de la red se ajustan en función del error cometido en la salida

• Se ajustan los datos de entrada