MACHINE LEARNING Y DEEP LEARNINGEXAMEN FINAL (PIAD-427) - 17.1
¿Cuál es una aplicación del reconocimiento facial?
Option B
Seguridad.
Jugar ajedrez.
Diagnóstico.
Medir señales.
Analizar texto.
¿Cuál es una técnica para evitar el sobreajuste?
Option C
Regularización.
Reducir ruido.
Aumento de datos.
Cambiar datos.
Normalización.
¿Qué es un conjunto de datos de entrenamiento?
Datos sin ruido.
Datos sin procesar.
Datos de prueba.
Datos sin etiquetas.
Option B
Datos etiquetados.
¿Qué es el sobreajuste en un modelo?
Option C
Ajuste excesivo.
Precisión real.
Regularización.
Error del modelo.
Generalización.
¿Qué es la visión computacional?
Option C
Procesar imágenes.
Almacenar datos.
Medir señales.
Crear las redes.
Análisis de textos.
¿Qué es un algoritmo de clasificación?
Árbol binario
Option C
K-means
Pila (stack)
Lista simple
Cola (Queue)
¿Qué mide el coeficiente de determinación R²?
Peso de los datos.
Error absoluto simple.
Option E
Varianza explicada.
Tasa de los fallos.
Precisión multi lineal.
¿Qué es un clasificador en aprendizaje supervisado?
Option C
Un algoritmo de predicción.
Una función gaussiana.
Un conjunto vacío de datos.
Una red sin capa de enlace.
Un modelo sin datos reales.
¿Qué tipo de datos se utilizan en la regresión?
Option D
Continuos.
Booleanos.
Sin etiquetas.
Faltantes.
Categóricos.
¿Cuál es una aplicación del aprendizaje no supervisado?
Clasificar correos.
Identificar ruido.
Predecir ventas.
Option D
Segmentación.
Detectar fraudes.
¿Cuál es el objetivo del clustering?
Predicción.
Reducción de ruido.
Eliminación.
Clasificación.
Option D
Agrupamiento.
¿Qué es la agrupación jerárquica?
Unir filas de la tabla.
Eliminar filas de data.
Option C
Creación de grupos.
Clasificación de data.
Unir tablas diferentes.
¿Qué algoritmo se usa para la detección de outliers?
Option A
DBSCAN.
PCA.
SVM.
KNN.
OUTDBS.
¿Qué técnica de aprendizaje no supervisado se usa para la segmentación de clientes?
Árboles.
Option C
K-means.
Clasificación.
Regresión.
Redes.
¿Qué es una capa oculta en una red neuronal?
Capa de datos.
Arreglo de salida.
Interfaz inicial.
Interfaz final.
Option C
Capa intermedia.
¿Qué es el overfitting en una red neuronal?
Normalización.
Option E
Ajuste excesivo.
Error en datos.
Regularización.
Generalización.
¿Cuál es la función de activación más usada?
Sigmoid.
Tanh.
Option E
ReLU.
Linear.
Softmax.
¿Cuál es el propósito de un optimizador?
Option D
Actualizar pesos.
Normalizar datos.
Regularizar capas.
Crear los datos.
Inicializar pesos.
¿Qué es el backpropagation?
Conteo de salida.
Estimación de sellado.
Técnica de entrada.
Regresión de salida.
Option B
Técnica de ajuste.
Ups 😅 Para ver las respuestas, primero instala la extensión Trodi Blackboard.
Ver video de instalaciónMira el video para saber cómo hacerlo paso a paso.
1. ¿Cuál es una aplicación del reconocimiento facial? 2. ¿Cuál es una técnica para evitar el sobreajuste? 3. ¿Qué es un conjunto de datos de entrenamiento? 4. ¿Qué es el sobreajuste en un modelo? 5. ¿Qué es la visión computacional? 6. ¿Qué es un algoritmo de clasificación? 7. ¿Qué mide el coeficiente de determinación R²? 8. ¿Qué es un clasificador en aprendizaje supervisado? 9. ¿Qué tipo de datos se utilizan en la regresión? 10. ¿Cuál es una aplicación del aprendizaje no supervisado? 11. ¿Cuál es el objetivo del clustering? 12. ¿Qué es la agrupación jerárquica? 13. ¿Qué algoritmo se usa para la detección de outliers? 14. ¿Qué técnica de aprendizaje no supervisado se usa para la segmentación de clientes? 15. ¿Qué es una capa oculta en una red neuronal? 16. ¿Qué es el overfitting en una red neuronal? 17. ¿Cuál es la función de activación más usada? 18. ¿Cuál es el propósito de un optimizador? 19. ¿Qué es el backpropagation?
Otros exámenes
PROGRAMACIÓN PARA DESARROLLO DE SOFTWARE WITH ORACLE PROGRAMACIÓN PARA DESARROLLO DE SOFTWARE WITH ORACLEVideo Test T01
PROGRAMACIÓN PARA DESARROLLO DE SOFTWARE WITH ORACLE PROGRAMACIÓN PARA DESARROLLO DE SOFTWARE WITH ORACLEEvaluación Parcial T01
PROGRAMACIÓN PARA DESARROLLO DE SOFTWARE WITH ORACLE PROGRAMACIÓN PARA DESARROLLO DE SOFTWARE WITH ORACLEEvaluación Parcial T02
🎁 Gracias por regalarnos la oportunidad de seguir trabajando en lo que nos apasiona. ¡Tu apoyo cuenta!
