Aprendizaje Supervisado y No Supervisado

¿Qué es el aprendizaje supervisado en la inteligencia artificial?

• Una técnica que no requiere datos de entrenamiento.

• Una técnica de entrenamiento de modelos que utiliza datos etiquetados.

• Un modelo que aprende sin intervención humana.

• Un método para generar datos nuevos y únicos.

¿En qué consisten los datos de entrenamiento en el aprendizaje supervisado?

• Datos sin ninguna etiqueta o clasificación.

• Pares de entrada-salida donde la entrada es información y la salida es la etiqueta deseada.

• Solo información de entrada sin ninguna salida esperada.

• Datos generados aleatoriamente por el modelo.

¿Cuál es el objetivo principal del aprendizaje supervisado?

• Generar datos completamente nuevos sin ninguna base.

• Aprender una función que mapee entradas a salidas esperadas para hacer predicciones precisas.

• Descubrir patrones ocultos en datos sin etiquetas.

• Reducir la dimensionalidad de los datos sin perder información.

Si un modelo de IA está diseñado para clasificar imágenes de animales, ¿cómo aprende a reconocer patrones en el aprendizaje supervisado?

• Generando sus propias imágenes de animales.

• Recibiendo muchas imágenes etiquetadas con sus clases correspondientes (ej. perros, gatos).

• Analizando imágenes sin etiquetas para encontrar similitudes.

• Ajustando sus pesos numéricos sin datos de entrada.

¿Qué caracteriza al aprendizaje no supervisado en la inteligencia artificial?

• Se proporcionan etiquetas o clases predefinidas para los datos de entrenamiento.

• El modelo debe descubrir patrones o estructuras ocultas en los datos por sí mismo.

• Se basa en ejemplos de entrada y salida correctos.

• Su objetivo es realizar predicciones precisas sobre nuevas instancias de datos.

¿Cuál es la diferencia clave entre el aprendizaje supervisado y el no supervisado con respecto a los datos de entrenamiento?

• El aprendizaje supervisado usa datos sin etiquetas, mientras que el no supervisado usa datos etiquetados.

• El aprendizaje no supervisado recibe ejemplos etiquetados, a diferencia del supervisado.

• El aprendizaje supervisado recibe ejemplos etiquetados, mientras que el no supervisado no.

• Ambos tipos de aprendizaje utilizan datos etiquetados de la misma manera.

¿Cuál es uno de los enfoques más comunes en el aprendizaje no supervisado que busca identificar grupos naturales en los datos?

• Clasificación.

• Regresión.

• Agrupamiento (Clustering).

• Predicción.

¿Para qué se utiliza la reducción de dimensionalidad en el aprendizaje no supervisado?

• Para aumentar la complejidad de los modelos.

• Para representar los datos en un espacio de menor dimensión sin perder información relevante.

• Para añadir más características a los datos.

• Para etiquetar automáticamente los datos.

¿Cómo procesan y analizan los datos las redes neuronales?

• Mediante la creación de nuevas etiquetas para los datos.

• Utilizando capas de neuronas interconectadas que procesan los datos de entrada.

• Ajustando algoritmos de agrupamiento.

• Reduciendo la dimensionalidad de los datos de forma manual.

¿En qué aplicación se utilizan las redes neuronales para identificar patrones de comportamiento sospechosos en compras en línea?

• Pronóstico meteorológico.

• Conducción autónoma.

• Detección de fraudes en transacciones financieras.

• Reconocimiento de imágenes.