MACHINE LEARNING Y DEEP LEARNINGEXAMEN FINAL (PIAD-427) - 17.8
¿Cuál es una aplicación del reconocimiento facial?
Diagnóstico.
Analizar texto.
Jugar ajedrez.
Medir señales.
Option B
Seguridad.
¿Cuál es una técnica para evitar el sobreajuste?
Option C
Regularización.
Normalización.
Aumento de datos.
Reducir ruido.
Cambiar datos.
¿Qué es un conjunto de datos de entrenamiento?
Datos de prueba.
Datos sin etiquetas.
Option B
Datos etiquetados.
Datos sin ruido.
Datos sin procesar.
¿Qué es el sobreajuste en un modelo?
Option C
Ajuste excesivo.
Error del modelo.
Regularización.
Precisión real.
Generalización.
¿Qué es la visión computacional?
Medir señales.
Option C
Procesar imágenes.
Crear las redes.
Almacenar datos.
Análisis de textos.
¿Qué es un algoritmo de clasificación?
Pila (stack)
Árbol binario
Cola (Queue)
Lista simple
Option C
K-means
¿Qué mide el coeficiente de determinación R²?
Precisión multi lineal.
Tasa de los fallos.
Option E
Varianza explicada.
Error absoluto simple.
Peso de los datos.
¿Qué es un clasificador en aprendizaje supervisado?
Un conjunto vacío de datos.
Un modelo sin datos reales.
Option C
Un algoritmo de predicción.
Una función gaussiana.
Una red sin capa de enlace.
¿Qué tipo de datos se utilizan en la regresión?
Categóricos.
Faltantes.
Booleanos.
Option D
Continuos.
Sin etiquetas.
¿Cuál es una aplicación del aprendizaje no supervisado?
Detectar fraudes.
Option D
Segmentación.
Identificar ruido.
Predecir ventas.
Clasificar correos.
¿Cuál es el objetivo del clustering?
Predicción.
Option D
Agrupamiento.
Eliminación.
Reducción de ruido.
Clasificación.
¿Qué es la agrupación jerárquica?
Option C
Creación de grupos.
Clasificación de data.
Unir filas de la tabla.
Eliminar filas de data.
Unir tablas diferentes.
¿Qué algoritmo se usa para la detección de outliers?
Option A
DBSCAN.
OUTDBS.
SVM.
PCA.
KNN.
¿Qué técnica de aprendizaje no supervisado se usa para la segmentación de clientes?
Árboles.
Clasificación.
Regresión.
Option C
K-means.
Redes.
¿Qué es una capa oculta en una red neuronal?
Interfaz final.
Interfaz inicial.
Capa de datos.
Arreglo de salida.
Option C
Capa intermedia.
¿Qué es el overfitting en una red neuronal?
Normalización.
Generalización.
Error en datos.
Option E
Ajuste excesivo.
Regularización.
¿Cuál es la función de activación más usada?
Softmax.
Linear.
Tanh.
Sigmoid.
Option E
ReLU.
¿Cuál es el propósito de un optimizador?
Regularizar capas.
Inicializar pesos.
Crear los datos.
Option D
Actualizar pesos.
Normalizar datos.
¿Qué es el backpropagation?
Conteo de salida.
Técnica de entrada.
Regresión de salida.
Option B
Técnica de ajuste.
Estimación de sellado.
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 darnos las herramientas para crear más contenido que amas. Tu apoyo es nuestra inspiración.
