Brainscape's Knowledge GenomeTM


Top Flashcards (Certified)
All Flashcards

UTN Inteligencia Artificial > 2C2020 > Flashcards

2C2020 Flashcards

1
Q

La principal fuente de conocimientos para la construcción de un Sistema Experto es …

  1. el ingeniero.
  2. el experto.
  3. los usuarios.
  4. los directivos.
A

el experto.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Durante la Conceptualización, el Árbol de Descomposición Funcional permite representar los Conocimientos …

  1. fácticos.
  2. tácticos.
  3. estratégicos.
  4. todas las opciones anteriores.
A

estratégicos.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Una Red Neuronal Artificial que tiene topología con conexiones recursivas …

  1. siempre itera durante su operación en producción y su entrenamiento.
  2. siempre itera durante su operación en producción.
  3. siempre itera durante su entrenamiento.
  4. nunca necesita iterar.
A

siempre itera durante su operación en producción.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Antes de entrenar una Red Neuronal Artificial siempre se debe …

  1. definir los patrones.
  2. formalizar los patrones.
  3. seleccionar los patrones.
  4. todas las opciones anteriores.
A

todas las opciones anteriores.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

En teoría, luego de la corrida de un Algoritmo Genético, la solución del problema que se quiere resolver se encuentra en …

  1. el mejor individuo de la población inicial.
  2. el mejor individuo obtenido de la corrida.
  3. el mejor individuo de la población final.
  4. la función de aptitud.
A

el mejor individuo de la población final.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Para construir un Algoritmo Genético, todos los conocimientos del dominio se deben formalizar en …

  1. la función de aptitud.
  2. la población inicial.
  3. el criterio de paro.
  4. los operadores genéticos.
A

la función de aptitud.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Todo Sistema Inteligente que tiene un Motor de Inferencias también debe tener …

  1. una Base de Datos.
  2. una Base de Conocimientos.
  3. un Trazador de Consultas.
  4. un Trazador de Explicaciones.
A

una Base de Conocimientos.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Si los Directivos de la organización no brindan los recursos necesarios para realizar el proyecto, entonces …

  1. no es posible realizar el proyecto.
  2. no es adecuado realizar el proyecto.
  3. no se justifica realizar el proyecto.
  4. el proyecto no tendrá éxito.
A

el proyecto no tendrá éxito.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Todo método o técnica que sea “ingenieril” debe estar basado en …

  1. la Física.
  2. la Matemática.
  3. la Química.
  4. todas las opciones anteriores.
A

todas las opciones anteriores.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

La principal fuente de conocimientos para la construcción de un Sistema Basado en Conocimientos es …

  1. el ingeniero.
  2. el experto.
  3. la IA como ciencia.
  4. fuentes públicas del dominio.
A

fuentes públicas del dominio.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Durante la Conceptualización, el Modelo Dinámico permite representar los Conocimientos …

  1. fácticos.
  2. tácticos.
  3. estratégicos.
  4. todas las opciones anteriores.
A

todas las opciones anteriores.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Si no se cuenta con un experto disponible y se desea construir una RNA, entonces …

  1. el proyecto deberá ser cancelado.
  2. se instalará la red en producción sin entrenarla antes.
  3. se entrenará a la red usando casos de fuentes públicas.
  4. el ingeniero definirá manualmente los pesos de las conexiones.
A

se entrenará a la red usando casos de fuentes públicas.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Una Red Neuronal Artificial que tiene topología con conexiones laterales …

  1. siempre itera durante su operación en producción y su entrenamiento.
  2. siempre itera durante su operación en producción.
  3. siempre itera durante su entrenamiento.
  4. nunca necesita iterar.
A

siempre itera durante su operación en producción.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

En la práctica, luego de la corrida de un Algoritmo Genético, la solución del problema que se quiere resolver se encuentra en …

  1. el mejor individuo de la población inicial.
  2. el mejor individuo obtenido de la corrida.
  3. el mejor individuo de la población final.
  4. la función de aptitud.
A

el mejor individuo obtenido de la corrida.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Durante la Formalización de un Algoritmo Genético, de acuerdo a las características del problema, se debe seleccionar …

  1. el método de selección a aplicar.
  2. el método de cruzamiento a aplicar.
  3. el método de mutación a aplicar.
  4. todas las opciones anteriores.
A

todas las opciones anteriores.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Todo Sistema Inteligente que tiene una Base de Conocimientos también debe tener …

  1. una Base de Datos.
  2. un Motor de Inferencias.
  3. un Trazador de Consultas.
  4. un Trazador de Explicaciones.
A

un Motor de Inferencias.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Si los Usuarios de la organización rechazan la solución provista por el proyecto, entonces …

  1. no es posible realizar el proyecto.
  2. no es adecuado realizar el proyecto.
  3. no se justifica realizar el proyecto.
  4. el proyecto no tendrá éxito.
A

el proyecto no tendrá éxito.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Toda Ingeniería tiene como principal objetivo …

  1. crear problemas.
  2. crear artefactos, que con un buen uso, resuelven problemas.
  3. crear artefactos teóricos para aumentar el nivel de conocimiento humano.
  4. resolver problemas de organizaciones mediante Sistemas Software.
A

crear artefactos, que con un buen uso, resuelven problemas.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

La actividad del Proceso de Construcción del Sistema Inteligente en la que se determina la mejor arquitectura a aplicar en el Modelo Implementable es …

  1. la Formalización.
  2. la Conceptualización.
  3. el Estudio de Viabilidad.
  4. la Construcción de Prototipos.
A

la Formalización.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

El Mantenimiento Perfectivo incluye …

  1. los cambios al Sistema Inteligente para adaptarse a nuevas situaciones en la Organización.
  2. la adquisición de nuevos conocimientos en el Sistema Inteligente.
  3. la corrección de errores en el Sistema Inteligente.
  4. la instalación del Sistema Inteligente.
A

la adquisición de nuevos conocimientos en el Sistema Inteligente.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

Una RNA de Hopfield siempre debe …

  1. tener 1 neurona.
  2. tener 1 capa de neuronas.
  3. tener 2 capas de neuronas.
  4. tener más de 2 capas de neuronas.
A

tener 1 capa de neuronas.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

El concepto del “Gradiente del Error” lo aplican las …

  1. RNAs Perceptrón.
  2. RNAs de Hopfield.
  3. RNAs MultiPerceptrón Backpropagation.
  4. todas las opciones anteriores.
A

RNAs MultiPerceptrón Backpropagation.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

En un Algoritmo Genético, el método de Ranking …

  1. nunca selecciona usando el azar.
  2. puede generar Convergencia Prematura.
  3. siempre selecciona al mejor individuo de la población actual.
  4. todas las opciones anteriores.
A

todas las opciones anteriores.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

Si se ejecutan dos corridas consecutivas de un Algoritmo Genético entonces …

  1. el mejor individuo siempre aparecerá en la primera corrida.
  2. el mejor individuo siempre aparecerá en la segunda corrida.
  3. el mejor individuo siempre aparecerá en alguna de las dos corridas.
  4. el mejor individuo puede aparecer en alguna de las dos corridas o en ninguna.
A

el mejor individuo puede aparecer en alguna de las dos corridas o en ninguna.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
La Base de Conocimientos de un Sistema Basado en Conocimientos se suele implementar aplicando … 1. Lógica de Primer Orden. 2. Métodos de Búsqueda. 3. Algoritmos Genéticos. 4. Redes Neuronales Artificiales.
Lógica de Primer Orden.
26
Los Sistemas Software Tradicionales y los Sistemas Inteligentes tienen en común que … 1. ambos están implementados en forma declarativa. 2. ambos deben satisfacer requerimientos de los stakeholders. 3. ambos aplican tareas sistemáticas y procedimentales para ser más robustos. 4. todas las opciones anteriores.
ambos deben satisfacer requerimientos de los stakeholders.
27
El Ingeniero del Conocimiento es una persona que … 1. sabe construir Sistemas Inteligentes para resolver problemas. 2. tiene mucha experiencia resolviendo problemas del dominio. 3. sabe mucho sobre el dominio del problema. 4. todas las opciones anteriores.
sabe construir Sistemas Inteligentes para resolver problemas.
28
Para determinar la arquitectura que tendrá el Modelo Implementable se debe considerar … 1. los objetivos y metas del proyecto. 2. las características del problema a resolver. 3. las características de los datos y conocimientos disponibles. 4. todas las opciones anteriores.
todas las opciones anteriores.
29
A la adquisición de nuevos conocimientos en el Sistema Inteligente luego de su instalación se lo denomina … 1. Mantenimiento Correctivo. 2. Mantenimiento Adaptativo. 3. Mantenimiento Perfectivo. 4. Mantenimiento Preventivo.
Mantenimiento Perfectivo.
30
El concepto del “Gradiente del Error” se utiliza para … 1. determinar la topología de la RNA. 2. determinar el error generado por cada neurona de la RNA. 3. reducir la posibilidad de Convergencia Prematura en una RNA. 4. encontrar el mejor individuo de una población en un AG.
determinar el error generado por cada neurona de la RNA.
31
La RNA que siempre debe tener por lo menos 2 capas de neuronas es … 1. RNA Perceptrón. 2. RNA de Hopfield. 3. RNA MultiPerceptrón Backpropagation. 4. todas las opciones anteriores.
RNA MultiPerceptrón Backpropagation.
32
En un Algoritmo Genético, el método de Ruleta … 1. nunca selecciona usando el azar. 2. suele prevenir la Convergencia Prematura. 3. siempre selecciona al mejor individuo de la población actual. 4. todas las opciones anteriores.
suele prevenir la Convergencia Prematura.
33
Luego de tres vueltas consecutivas en una corrida de un Algoritmo Genético entonces … 1. el individuo con mayor aptitud siempre estará en la población de la primera vuelta. 2. el individuo con mayor aptitud siempre estará en la población de la segunda vuelta. 3. el individuo con mayor aptitud siempre estará en la población de la tercera vuelta. 4. el individuo con mayor aptitud puede estar en cualquiera de las poblaciones de las tres vueltas.
el individuo con mayor aptitud puede estar en cualquiera de las poblaciones de las tres vueltas.
34
El Motor de Inferencias de un Sistema Basado en Conocimientos se suele implementar aplicando … 1. Emparrillados. 2. Algoritmos Genéticos. 3. Métodos de Búsqueda. 4. Redes Neuronales Artificiales.
Métodos de Búsqueda.
35
Los Sistemas Software Tradicionales y los Sistemas Inteligentes tienen en común que … 1. ambos resuelven problemas de una organización. 2. ambos están implementados en forma declarativa y flexible. 3. ambos aplican tareas sistemáticas y procedimentales para ser más robustos. 4. todas las opciones anteriores.
ambos resuelven problemas de una organización.
36
El Experto es una persona que … 1. tiene mucha experiencia resolviendo problemas. 2. tuvo una formación formal del dominio. 3. se destaca en el dominio por su pericia. 4. todas las opciones anteriores.
todas las opciones anteriores.
37
El objetivo de la 2da Fase de la Metodología IDEAL es … 1. definir el alcance del Sistema Inteligente. 2. llevar a cabo la construcción de las interfaces del Sistema Inteligente. 3. capacitar a los usuarios y preparar la instalación del Sistema Inteligente. 4. identificar, entender y validar todos los Conocimientos necesarios para el Sistema Inteligente.
identificar, entender y validar todos los Conocimientos necesarios para el Sistema Inteligente.
38
Las RNA de Hopfield aplican una estrategia de entrenamiento … 1. por Corrección de Error. 2. Supervisada. 3. Hebbiana. 4. todas las opciones anteriores.
Hebbiana.
39
Una RNA Perceptrón … 1. puede aprender a aproximar funciones lineales y funciones no-lineales. 2. puede aprender a aproximar funciones lineales pero no puede aprender funciones no-lineales. 3. puede aprender a aproximar funciones no-lineales pero no puede aprender funciones lineales. 4. no puede aprender a aproximar funciones lineales ni funciones no-lineales.
puede aprender a aproximar funciones lineales pero no puede aprender funciones no-lineales.
40
En un Algoritmo Genético, el método de Cruza Binomial Máscara Complemento … 1. utiliza el azar para determinar de cual padre extraer los valores del cromosoma para cada hijo. 2. siempre extrae todos los valores del cromosoma del mismo padre para ambos hijos. 3. puede extraer todos los valores del cromosoma del mismo padre para ambos hijos. 4. nunca extrae todos los valores del cromosoma del mismo padre para ambos hijos.
nunca extrae todos los valores del cromosoma del mismo padre para ambos hijos.
41
El operador de Mutación se usa en un Algoritmo Genético para … 1. aumentar la diversidad de la población. 2. generar nuevas posibles soluciones al problema. 3. reducir la probabilidad de Convergencia Prematura. 4. todas las opciones anteriores.
todas las opciones anteriores.
42
Todo Sistema Experto Tradicional debe poder … 1. aprender automáticamente a resolver nuevos tipos de problemas del dominio. 2. justificar cómo se obtuvieron los resultados generados. 3. autoorganizar sus módulos para aprender. 4. todas las opciones anteriores.
justificar cómo se obtuvieron los resultados generados.
43
Un Sistema Inteligente es … 1. un software que puede procesar datos para generar conocimientos. 2. un artefacto tecnológico que resuelve problemas en un dominio determinado. 3. un software que aplica conocimientos de forma declarativa (implícita o explícita). 4. todas las opciones anteriores.
todas las opciones anteriores.
44
En la Pirámide de la Información, los Conocimientos están asociados al nivel … 1. Semántico. 2. Pragmático. 3. Sintáctico. 4. de Juicios Morales.
Pragmático.
45
El objetivo de la 3ra Fase de la Metodología IDEAL es … 1. realizar el Mantenimiento Perfectivo. 2. definir el alcance el Sistema Inteligente. 3. llevar a cabo la construcción de las interfaces del Sistema Inteligente. 4. identificar y validar todos los Conocimientos necesarios para el Sistema Inteligente.
llevar a cabo la construcción de las interfaces del Sistema Inteligente.
46
Las RNA Perceptrón aplican una estrategia de entrenamiento … 1. Offline. 2. Supervisada. 3. por Corrección de Error. 4. todas las opciones anteriores.
todas las opciones anteriores.
47
Una RNA MultiPerceptrón Backpropagation … 1. puede aprender a aproximar funciones lineales y funciones no-lineales. 2. puede aprender a aproximar funciones lineales pero no puede aprender funciones no-lineales. 3. puede aprender a aproximar funciones no-lineales pero no puede aprender funciones lineales. 4. no puede aprender a aproximar funciones lineales ni funciones no-lineales.
puede aprender a aproximar funciones lineales y funciones no-lineales.
48
En un Algoritmo Genético, el método de Cruza Binomial Máscara Doble … 1. utiliza el azar para determinar de cual padre extraer los valores del cromosoma para cada hijo. 2. siempre extrae todos los valores del cromosoma del mismo padre para ambos hijos. 3. puede extraer todos los valores del cromosoma del mismo padre para ambos hijos. 4. nunca extrae todos los valores del cromosoma del mismo padre para ambos hijos.
puede extraer todos los valores del cromosoma del mismo padre para ambos hijos.
49
El operador de un Algoritmo Genético que busca reducir la posibilidad de Convergencia Prematura aumentando la diversidad de la población es … 1. Criterio de Paro. 2. Cruzamiento. 3. Mutación. 4. Generar la Población Inicial.
Mutación.
50
Un Sistema Software es … 1. un software que puede procesar datos. 2. un software implementado generalmente en forma algorítmica. 3. un artefacto tecnológico que resuelve problemas en un dominio determinando. 4. todas las opciones anteriores.
todas las opciones anteriores.
51
En la Pirámide de la Información, los Datos están asociados al nivel … 1. de Juicios Morales. 2. Pragmático. 3. Semántico. 4. Sintáctico.
Sintáctico.
52
Los conceptos y sus características utilizados para resolver el problema se modelizan durante la Conceptualización mediante … 1. las Tablas y Árboles de Decisión. 2. la Tabla Concepto-Atributo-Valor. 3. el Árbol de Descomposición Funcional. 4. las Relaciones (implícitas) entre Conceptos.
la Tabla Concepto-Atributo-Valor.
53
Los conocimientos del experto se consideran … 1. Públicos. 2. Privados. 3. Modelizados. 4. todas las opciones anteriores.
Privados.
54
Una RNA Backpropagation toma ese nombre porque … 1. las neuronas tienen conexiones hacia atrás. 2. durante el entrenamiento se propaga el error hacia atrás. 3. durante el entrenamiento se le ingresan las salidas para que la red calcule los valores de entrada. 4. todas las opciones anteriores.
durante el entrenamiento se propaga el error hacia atrás.
55
Se afirma que las Redes Neuronales Artificiales poseen aprendizaje adaptativo porque … 1. es posible aplicarlas en cualquier tipo de hardware existente. 2. luego del entrenamiento pueden procesar los datos de entrada en forma muy rápida. 3. pueden aprender a resolver un problema a partir de ejemplos representativos del mismo. 4. después del entrenamiento pueden modificar las conexiones entre las neuronas de la red.
pueden aprender a resolver un problema a partir de ejemplos representativos del mismo.
56
En un Algoritmo Genético, la Función de Aptitud … 1. permite comparar a los individuos de la población. 2. se debe implementar utilizando los conocimientos disponibles sobre el problema. 3. recibe como entrada el cromosoma de un individuo y como resultado devuelve un valor real. 4. todas las opciones anteriores.
todas las opciones anteriores.
57
En una corrida de un Algoritmo Genético … 1. el mejor valor de aptitud siempre se encuentra en la población inicial. 2. siempre el valor de aptitud de la población de un ciclo va a ser mejor que el del ciclo anterior. 3. siempre el valor de aptitud de la población de un ciclo va a ser mejor que el del ciclo siguiente. 4. el valor de aptitud de la población de un ciclo puede ser mejor o peor que el del ciclo anterior.
el valor de aptitud de la población de un ciclo puede ser mejor o peor que el del ciclo anterior.
58
Si el problema que se quiere resolver con un Sistema Inteligente no es suficientemente conocido y no se sabe cómo encontrar la solución, entonces la implementación … 1. es posible. 2. se justifica. 3. no es adecuada. 4. no tendrá éxito.
no es adecuada.
59
Una forma exitosa de aplicar Inteligencia Artificial en una organización es … 1. vincularla a los sistemas software tradicionales existentes. 2. hacerla en forma totalmente independiente a los sistemas software tradicionales existentes. 3. reemplazar a los expertos humanos que resuelven los problemas existentes. 4. aplicar algoritmos para resolver el problema.
vincularla a los sistemas software tradicionales existentes.
60
Los Métodos de Búsqueda se aplican en un Sistema Experto Tradicional dentro … 1. de la Base de Datos. 2. del Motor de Inferencias. 3. de la Base de Conocimientos. 4. del Trazador de Explicaciones.
del Motor de Inferencias.
61
Los conocimientos extraídos de libros se consideran … 1. Públicos. 2. Privados. 3. Modelizados. 4. todas las opciones anteriores.
Públicos.
62
Los objetivos y metas que se deben cumplir para resolver el problema se modelizan durante la Conceptualización mediante … 1. las Tablas y Árboles de Decisión. 2. la Tabla Concepto-Atributo-Valor. 3. el Árbol de Descomposición Funcional. 4. las Relaciones (implícitas) entre Conceptos.
el Árbol de Descomposición Funcional.
63
En una RNA Backpropagation, el “gradiente del error” … 1. nunca considera el valor actual de los pesos de las conexiones entre las neuronas. 2. se utiliza para poder propagar el error desde las neuronas de salida hacia las ocultas y de entrada. 3. se calcula como la diferencia entre la salida deseada y la salida generada por cada neurona (sin importar en que capa se ubica). 4. no corresponde a la RNA Backpropagation sino que pertenece a la RNA de Hopfield.
se utiliza para poder propagar el error desde las neuronas de salida hacia las ocultas y de entrada.
64
Se afirma que las Redes Neuronales Artificiales poseen auto-organización porque … 1. pueden aprender a resolver un problema a partir de ejemplos representativos. 2. luego del entrenamiento pueden procesar los datos de entrada en una forma muy rápida. 3. durante el entrenamiento aprenden a modificar las conexiones entre las neuronas. 4. pueden recibir datos de entrada con ruido o distorsionados y seguir funcionando sin fallar.
durante el entrenamiento aprenden a modificar las conexiones entre las neuronas.
65
En un Algoritmo Genético, los conocimientos asociados al problema que se quiere resolver siempre se implementan dentro … 1. del operador de Cruzamiento. 2. del operador de Selección. 3. de la Función de Aptitud. 4. todas las opciones anteriores.
de la Función de Aptitud.
66
Una de las principales características de un Algoritmo Genético es que … 1. no necesita evaluar a todas las combinaciones posibles de los valores del cromosoma. 2. siempre el valor de aptitud de la población de un ciclo va a ser mejor que el del ciclo anterior. 3. garantiza encontrar siempre la solución óptima al problema en la población final de la corrida. 4. la solución del problema se encuentra en la combinación de los cromosomas de varios individuos.
no necesita evaluar a todas las combinaciones posibles de los valores del cromosoma.
67
En una organización, los Sistemas Inteligentes que resultan exitosos son … 1. los que reemplazan a los expertos humanos existentes. 2. los que aplican conocimientos provenientes de fuentes públicas. 3. totalmente independientes de los sistemas software tradicionales existentes. 4. los que se encuentran vinculados a los sistemas software tradicionales existentes.
los que se encuentran vinculados a los sistemas software tradicionales existentes.
68
Si el problema que se quiere resolver con un Sistema Inteligente requiere aplicar el sentido común para encontrar la solución, entonces la implementación … 1. no es posible. 2. no se justifica. 3. es adecuada. 4. tendrá éxito.
no es posible.
69
En un Sistema Experto Tradicional se suele utilizar Lógica de 1er Orden dentro … 1. del Motor de Inferencias. 2. de la Base de Conocimientos. 3. del Trazador de Explicaciones 4. del Manejador de Comunicaciones.
de la Base de Conocimientos.
70
El experto es la persona que siempre sabe mucho sobre … 1. los modelos de IA. 2. las técnicas de la INCO. 3. resolver los problemas del dominio. 4. todas las opciones anteriores.
resolver los problemas del dominio.
71
A la obtención de conocimientos de libros, manuales y procedimientos se lo denomina … 1. Mantenimiento Perfectivo. 2. Educción de Conocimientos. 3. Extracción de Conocimientos. 4. todas las opciones anteriores.
Extracción de Conocimientos.
72
En una RNA Hopfield, las neuronas tienen conexiones … 1. hacia las neuronas de la capa anterior. 2. hacia las neuronas de la capa siguiente. 3. hacia otras neuronas de la misma capa. 4. hacia sí mismas (recursivas).
hacia otras neuronas de la misma capa.
73
Para aplicar el entrenamiento de una RNA denominado como “por Corrección de Error”… 1. sólo se conocen los valores de entrada (no la salida deseada). 2. siempre se debe conocer la salida deseada para los valores de entrada. 3. a veces se debe conocer la salida deseada para los valores de entrada. 4. no se conocen ni la salida deseada ni los valores de entrada (la red aprende sola).
siempre se debe conocer la salida deseada para los valores de entrada.
74
El único operador de un Algoritmo Genético que debe utilizar la Función de Aptitud implementada es el … 1. operador de Generación de la Población Inicial. 2. operador de Selección. 3. operador de Cruzamiento. 4. todas las opciones anteriores.
operador de Selección.
75
El método de Mutación de un Algoritmo Genético que modifica la probabilidad de mutación a partir del número de vuelta de la corrida es … 1. método de Mutación Simple. 2. método de Mutación Adaptativa por Temperatura. 3. método de Mutación Adaptativa por Convergencia. 4. todas las opciones anteriores.
método de Mutación Adaptativa por Temperatura.
76
El objetivo de la 4ta fase de la Metodología IDEAL es … 1. planificar y preparar los mecanismos para el Mantenimiento Perfectivo. 2. identificar, entender y validar los conocimientos a ser utilizados. 3. delimitar el alcance de la tarea que se desea resolver. 4. capacitar a los fututos usuarios del sistema.
planificar y preparar los mecanismos para el Mantenimiento Perfectivo.
77
A los Sistemas Inteligentes que poseen Base de Conocimientos que incluyen solo conocimientos públicos se los considera … 1. Sistemas de Machine Learning. 2. Sistemas Basados en Conocimientos. 3. Sistemas Expertos Tradicionales. 4. Sistemas Expertos.
2. Sistemas Basados en Conocimientos.
78
Todos los conocimientos del dominio se encuentran implementados dentro de un Sistema Inteligente en forma … 1. Algorítmica. 2. Declarativa. 3. Procedimental. 4. Sistémica.
Declarativa.
79
A la persona de la organización que resuelve con pericia los problemas del dominio se lo denomina … 1. Gerente. 2. Usuario. 3. Experto. 4. Ingeniero.
Experto.
80
A la obtención de conocimientos y experiencias de las personas del dominio mediante la aplicación de técnicas indirectas se lo denomina … 1. Mantenimiento Perfectivo. 2. Educción de Conocimientos. 3. Extracción de Conocimientos. 4. todas las opciones anteriores.
Educción de Conocimientos.
81
En una RNA Hopfield, las neuronas tienen conexiones … 1. Laterales. 2. hacia Atrás. 3. Recursivas. 4. hacia Adelante.
Laterales.
82
Para aplicar el entrenamiento de una RNA denominado como “Hebbiano” … 1. sólo se conocen los valores de entrada. 2. siempre se debe conocer la salida deseada para los valores de entrada. 3. a veces se debe conocer la salida deseada para los valores de entrada. 4. no se conocen ni la salida deseada ni los valores de entrada (la red aprende sola).
sólo se conocen los valores de entrada.
83
El único operador de un Algoritmo Genético que debería considerar la estructura del cromosoma implementado es el … 1. operador de Selección. 2. operador de Cruzamiento. 3. operador de Mutación. 4. Criterio de Paro.
operador de Cruzamiento.
84
El método de Selección de un Algoritmo Genético que siempre elige los mismos individuos de una población (dada la misma población de individuos) para entrar en el cruzamiento es … 1. método de Ruleta. 2. método de Ranking. 3. método de Control Sobre el Número Esperado. 4. todas las opciones anteriores.
método de Ranking.
85
El objetivo de la 5ta fase de la Metodología IDEAL es … 1. planificar y preparar los mecanismos para el Mantenimiento Perfectivo. 2. identificar, entender y validar los conocimientos a ser utilizados. 3. delimitar el alcance de la tarea que se desea resolver. 4. capacitar a los futuros usuarios del sistema.
capacitar a los futuros usuarios del sistema.
86
Todos los conocimientos del dominio se encuentran implementados dentro de un Sistema Experto Tradicional en forma … 1. Algorítmica. 2. Declarativa. 3. Procedimental. 4. Sistémica.
Declarativa.
87
A los Sistemas Inteligentes que poseen Base de Conocimientos que incluyen tanto conocimientos públicos como privados se los considera … 1. Sistemas de Machine Learning. 2. Sistemas Basados en Conocimientos. 3. Sistemas Software Tradicionales. 4. Sistemas Expertos.
Sistemas Expertos.
88
La actividad que presenta el principal cuello de botella de un proyecto de construcción de un Sistema Experto es … 1. la Adquisición de Conocimientos. 2. la Conceptualización. 3. la Implementación. 4. la Formalización.
la Adquisición de Conocimientos.
89
Los Modelos Conceptuales son construidos porque … 1. permiten adquirir los conocimientos del dominio. 2. ayudan a los ingenieros a entender los conocimientos adquiridos. 3. se deben aplicar en la primera fase de la Metodología IDEAL. 4. todas las opciones anteriores.
ayudan a los ingenieros a entender los conocimientos adquiridos.
90
Si se utiliza una RNA Backpropagation entonces … 1. la red nunca itera. 2. la red debe iterar durante su operación en producción y durante su entrenamiento. 3. la red debe iterar durante su operación en producción pero no durante su entrenamiento. 4. la red debe iterar durante su entrenamiento pero no durante su operación en producción.
la red debe iterar durante su entrenamiento pero no durante su operación en producción.
91
Para validar la precisión de una Red Neuronal Artificial es recomendado utilizar … 1. los mismos patrones que fueron usados para el entrenamiento. 2. patrones del mismo dominio pero diferentes a los usados para el entrenamiento. 3. patrones de otro problema e iguales a los usados para el entrenamiento. 4. patrones de otro problema y diferentes a los usados para el entrenamiento.
patrones del mismo dominio pero diferentes a los usados para el entrenamiento.
92
En un Algoritmo Genético, cada individuo de la población de una generación (o ciclo) representa … 1. una posible solución completa al problema. 2. siempre la mejor solución posible del problema. 3. una parte de la solución al problema dado que la solución se forma por toda la población. 4. nada, porque la solución la define la función de aptitud.
una posible solución completa al problema.
93
El método de Selección que más tiende a generar Convergencia Prematura es … 1. Ranking. 2. Ruleta. 3. Control sobre el Número Esperado. 4. Ninguno, porque ese problema lo genera el operador de Cruzamiento.
Ranking.
94
Todo Sistema Experto Tradicional se considera que forma parte del conjunto de … 1. los Sistemas Expertos. 2. los Sistemas Inteligentes. 3. los Sistemas Basados en Conocimientos. 4. todas las opciones anteriores.
todas las opciones anteriores.
95
Si existe un experto en el dominio que es cooperativo, entonces … 1. el proyecto tendrá éxito. 2. es posible construir un Sistema Experto. 3. no se justifica construir un Sistema Inteligente. 4. es adecuado construir un Sistema Basado en Conocimientos.
es posible construir un Sistema Experto.
96
Un Dato con sentido o significado se considera … 1. que sigue siendo un dato. 2. que se transforma en Noticia. 3. que se transforma en Conocimiento. 4. que se transforma en Sabiduría.
que se transforma en Noticia.
97
La Paradoja del Experto indica que los mejores expertos … 1. no existen. 2. no van a querer cooperar con el proyecto. 3. no pueden describir los conocimientos usados para resolver el problema. 4. no saben cómo se debe resolver correctamente los problemas del dominio.
no pueden describir los conocimientos usados para resolver el problema.
98
Los Modelos Formales son construidos porque … 1. ayudan a los ingenieros a adquirir los conocimientos del dominio. 2. permiten diseñar la forma en que los conocimientos serán usados por el Sistema Inteligente. 3. asisten la realización de las futuras pruebas de usabilidad del Sistema Inteligente. 4. todas las opciones anteriores.
permiten diseñar la forma en que los conocimientos serán usados por el Sistema Inteligente.
99
Si se utiliza una RNA de Hopfield entonces … 1. la red nunca itera. 2. la red debe iterar durante su operación en producción y durante su entrenamiento. 3. la red debe iterar durante su operación en producción pero no durante su entrenamiento. 4. la red debe iterar durante su entrenamiento pero no durante su operación en producción.
la red debe iterar durante su operación en producción pero no durante su entrenamiento.
100
Para definir los Patrones de Entrenamiento para una RNA se pueden usar como fuente… 1. casos suministrados por el experto. 2. casos obtenidos de libros asociados al problema. 3. casos históricos de la organización sobre el problema. 4. todas las opciones anteriores.
todas las opciones anteriores.
101
El método de Mutación que mejor soluciona la Convergencia Prematura es … 1. Mutación Simple con baja probabilidad. 2. Mutación por Temperatura decreciente. 3. Mutación por Temperatura creciente. 4. Mutación Adaptativa por Convergencia.
Mutación Adaptativa por Convergencia.
102
Todo Sistema Experto Tradicional … 1. tiene una Base de Conocimientos. 2. utiliza conocimientos públicos. 3. utiliza conocimientos privados. 4. todas las opciones anteriores.
todas las opciones anteriores.
103
Si existe un experto pero es altamente probable que se retire en poco tiempo, entonces… 1. el proyecto tendrá éxito. 2. no es posible construir un Sistema Inteligente. 3. se justifica construir un Sistema Experto. 4. es adecuado construir un Sistema Basado en Conocimientos.
se justifica construir un Sistema Experto.
104
Un Dato con significado al que también se le encuentra utilidad se considera … 1. que sigue siendo un Dato. 2. que se transforma en Noticia. 3. que se transforma en Conocimiento. 4. que se transforma en Sabiduría.
ue se transforma en Conocimiento.
105
El cono que se visualiza en la 3ra dimensión del ciclo de vida de la Metodología IDEAL tiene un vértice fino porque representa que al fin del proyecto … 1. se van a adquirir muchos conocimientos. 2. se van a generar muchos prototipos. 3. se van a adquirir pocos conocimientos. 4. se van a generar pocos prototipos.
se van a adquirir pocos conocimientos.
106
La diferencia entre los sistemas inteligentes y los sistemas software tradicionales es ... 1. el tipo de tareas en las que se aplica. 2. la forma en que están implementados. 3. su grado de flexibilidad y robustez. 4. todas las anteriores.
todas las anteriores.
107
Para que una RNA Backpropagation tenga una buena precisión en los resultados generados durante su utilización en producción se debe … 1. agregar conexiones auto-recursivas a cada neurona. 2. ajustar los valores de los pesos de las conexiones manualmente. 3. utilizar patrones de entrenamiento representativos y completos. 4. aplicar una función de salida derivable como, por ejemplo, la función sigmoidal.
utilizar patrones de entrenamiento representativos y completos.
108
La Red Neuronal Artificial que puede tener más de una capa de neuronas (es decir que no es siempre monocapa) es … 1. RNA Perceptrón. 2. RNA Backpropagation. 3. RNA Hopfield. 4. todas las anteriores.
RNA Backpropagation.
109
Si como resultado de la primera corrida de un Algoritmo Genético, todos los individuos de la población generada tienen una baja aptitud ... 1. no vale la pena hacer una nueva corrida y se usa como solución el mejor individuo encontrado. 2. se debe realizar una nueva corrida del Algoritmo Genético (con los mismos parámetros u otros). 3. se debe considerar la solución como no viable y aplicar Redes Neuronales Artificiales. 4. todas las anteriores.
se debe realizar una nueva corrida del Algoritmo Genético (con los mismos parámetros u otros).
110
En un Algoritmo Genético, el método de cruzamiento que al cruzar dos individuos que tienen los mismos valores de cromosoma (“individuos clones”) genera dos individuos iguales es … 1. cruza simple. 2. cruza multipunto. 3. cruza binomial con máscara doble. 4. todas las anteriores.
todas las anteriores.
111
La diferencia entre inteligencia natural e inteligencia artificial es que … 1. la primera usa heurísticas y la segunda no. 2. la primera aplica reglas obtenidas por la experiencia y la segunda no. 3. la primera usa de la creatividad para adaptarse a nuevos problemas y la segunda no. 4. todas las anteriores.
la primera usa de la creatividad para adaptarse a nuevos problemas y la segunda no.
112
En un Sistema Experto Tradicional, el motor de inferencias debe … 1. generar las reglas usando un Algoritmo Genético. 2. definir los hechos y reglas que se almacenan en la base de conocimientos. 3. seleccionar los hechos y reglas de la base de conocimientos que se deben aplicar. 4. todas las anteriores.
seleccionar los hechos y reglas de la base de conocimientos que se deben aplicar.
113
El cono que se visualiza en la 3ra dimensión del ciclo de vida de la Metodología IDEAL tiene una base ancha porque representa que al inicio del proyecto … 1. se van a adquirir muchos conocimientos. 2. se van a generar muchos prototipos. 3. se van a adquirir pocos conocimientos. 4. se van a generar pocos prototipos.
se van a adquirir muchos conocimientos.
114
La diferencia entre los sistemas inteligentes y los sistemas software tradicionales es que ... 1. los primeros se ejecutan manualmente y los otros en computadoras. 2. los primeros tienen mayor grado de robustez y los otros tienen poca redundancia. 3. en los primeros se debe entrevistar sólo a los expertos y en los otros a los usuarios y directivos. 4. todas las anteriores.
los primeros tienen mayor grado de robustez y los otros tienen poca redundancia.
115
Para que una RNA Hopfield tenga una buena precisión de los resultados generados durante su utilización en producción se debe … 1. agregar conexiones auto-recursivas a cada neurona. 2. iterar muchas veces durante el entrenamiento de cada patrón. 3. ajustar los valores de los pesos de las conexiones manualmente. 4. utilizar patrones de entrenamiento representativos y completos.
utilizar patrones de entrenamiento representativos y completos.
116
La Red Neuronal Artificial que (en teoría) se puede aplicar para resolver cualquier tipo de problema de predicción o clasificación es … 1. RNA Perceptrón. 2. RNA Backpropagation. 3. RNA Hopfield. 4. todas las anteriores.
RNA Backpropagation.
117
Si como resultado de muchas corridas de un Algoritmo Genético (más de 10), los individuos de las poblaciones generadas siempre presentan una baja aptitud se recomienda ... 1. analizar la función de aptitud analizada y aplicarle cambios para mejorarla. 2. cambiar los parámetros aplicados en los operadores genéticos. 3. cambiar los métodos aplicados en los operadores genéticos. 4. aplicar todas o alguna de las propuestas anteriores.
aplicar todas o alguna de las propuestas anteriores.
118
En un Algoritmo Genético, el método de cruzamiento que siempre usa todos los valores de los cromosomas de ambos padres para definir los valores de los cromosomas de dos hijos es … 1. cruza binomial con máscara complemento. 2. cruza binomial con máscara doble. 3. cruza binomial al azar. 4. todas las anteriores.
cruza binomial con máscara complemento.
119
La inteligencia natural y la inteligencia artificial tienen en común que ambas … 1. usan heurísticas del dominio. 2. pueden aplicar reglas obtenidas por la experiencia. 3. tienen la capacidad de justificar los resultados generados. 4. todas las anteriores.
todas las anteriores.
120
En un Sistema Basado en Conocimientos, el motor de inferencias es el encargado de … 1. generar las reglas que se almacenan en la base de conocimientos. 2. seleccionar los hechos y reglas de la base de conocimientos que se deben aplicar. 3. interactuar con el usuario para que éste seleccione las reglas y así poder resolver el problema. 4. todas las anteriores.
seleccionar los hechos y reglas de la base de conocimientos que se deben aplicar.
121
La Metodología IDEAL usa prototipos en su segunda fase para … 1. adquirir nuevos conocimientos. 2. validar los conocimientos adquiridos. 3. evaluar la usabilidad que va a tener el sistema final. 4. todas las anteriores.
todas las anteriores.
122
Los Modelos Conceptuales se generan en base a … 1. las herramientas seleccionadas para la implementación. 2. los modelos formales generados. 3. los conocimientos adquiridos. 4. todas las anteriores.
los conocimientos adquiridos.
123
La Red Neuronal Artificial que sólo se la puede utilizar para aproximar funciones lineales usando un método de aprendizaje por corrección de error es … 1. RNA Perceptrón. 2. RNA Backpropagation. 3. RNA Hopfield. 4. todas las anteriores.
RNA Perceptrón.
124
Una RNA Backpropagation debe tener una topología … 1. Multicapa con Conexiones hacia Adelante. 2. Multicapa con Conexiones hacia Atrás. 3. Monocapa con Conexiones hacia Adelante. 4. Monocapa sin Conexiones entre las Neuronas.
Multicapa con Conexiones hacia Adelante.
125
Se considera que la mejor solución de la corrida de un Algoritmo Genético es … 1. cualquier individuo de la población final (es decir, generado en la última vuelta de la corrida). 2. el individuo que tiene el mayor valor de aptitud generado en la primera vuelta de la corrida (considerando que la función de aptitud se maximiza). 3. el individuo que tiene el mayor valor de aptitud generado en cualquier vuelta de la corrida (considerando que la función de aptitud se maximiza). 4. todas las anteriores.
el individuo que tiene el mayor valor de aptitud generado en cualquier vuelta de la corrida (considerando que la función de aptitud se maximiza).
126
En un Algoritmo Genético, para evitar la convergencia prematura se recomienda utilizar … 1. un método de selección que nunca elija al mejor individuo de la población. 2. un método de cruzamiento que aplique el azar para generar los individuos hijos. 3. un método de mutación con probabilidad adaptativa por convergencia. 4. todas las anteriores.
un método de mutación con probabilidad adaptativa por convergencia.
127
A la capacidad que tienen los Sistemas Expertos de adquirir nuevos conocimientos durante su uso en producción se la denomina … 1. Robustez. 2. Tolerancia a Fallos. 3. Mantenimiento Perfectivo. 4. Mantenimiento Adaptativo.
Mantenimiento Perfectivo.
128
Al comienzo de un proyecto de la INCO se deben identificar … 1. los requerimientos de los directivos y usuarios. 2. las características del dominio y la organización. 3. los conocimientos asociados a la tarea. 4. todas las anteriores.
todas las anteriores.
129
El objetivo de la primera fase de la Metodología IDEAL es … 1. construir el sistema inteligente completo. 2. construir prototipos del sistema inteligente. 3. determinar el alcance del sistema inteligente. 4. adquirir todos los conocimientos del dominio.
determinar el alcance del sistema inteligente.
130
Los Modelos Formales se generan en base de … 1. las herramientas seleccionadas para la implementación. 2. los modelos conceptuales generados. 3. los conocimientos adquiridos. 4. todas las anteriores.
los modelos conceptuales generados.
131
Una RNA de Hopfield debe tener una topología … 1. Multicapa con Conexiones hacia Adelante. 2. Monocapa con Conexiones hacia Atrás. 3. Monocapa con Conexiones hacia Adelante 4. Monocapa sin Conexiones entre las Neuronas.
Monocapa con Conexiones hacia Atrás.
132
La mejor solución encontrada en una corrida de un Algoritmo Genético siempre estará … 1. en la población inicial (es decir, generado por el operador ‘generar la población inicial’). 2. en las generaciones intermedias (es decir, generado entre la población inicial y la final). 3. en la población final (es decir, generado en la última vuelta de la corrida). 4. no se sabe, puede ser generada en cualquier vuelta de la corrida.
no se sabe, puede ser generada en cualquier vuelta de la corrida.
133
En un Algoritmo Genético se denomina ‘convergencia prematura’ a … 1. no encontrar ninguna solución viable del problema. 2. que en pocos ciclos se encuentre la solución óptima del problema (máximo global). 3. que en varios ciclos la población tiende a una solución buena pero no óptima del problema (máximo local). 4. todas las anteriores.
que en varios ciclos la población tiende a una solución buena pero no óptima del problema (máximo local).
134
El principal objetivo del Mantenimiento Perfectivo es … 1. incluir nuevas funcionalidades en el sistema durante su uso en producción. 2. reducir la cantidad de errores (bugs) generados durante la implementación. 3. adaptar el sistema a cambios de la organización durante su uso en producción. 4. lograr que el sistema siga adquiriendo nuevos conocimiento durante su uso en producción.
lograr que el sistema siga adquiriendo nuevos conocimiento durante su uso en producción.
135
En un proyecto de la INCO se deben aplicar … 1. principios de la Ciencia de la Computación. 2. métodos y técnicas de la Ingeniería de Software. 3. modelos de la Inteligencia Artificial. 4. una combinación de los tres anteriores.
una combinación de los tres anteriores.
136
Si en un proyecto sólo se utiliza la técnica de Análisis de Protocolos para adquirir los conocimientos, entonces seguramente se está desarrollando un … 1. Sistema Experto. 2. Algoritmo Genético. 3. Sistema Experto Tradicional. 4. Sistema Basado en Conocimientos.
Sistema Experto Tradicional.
137
El principal componente de todo Sistema Experto es … 1. Base de Datos. 2. Motor de Inferencias. 3. Base de Conocimientos. 4. ninguna de las anteriores.
ninguna de las anteriores.
138
Para evaluar la validez del prototipo / sistema experto implementado, el Ingeniero del Conocimiento suele utilizar … 1. pruebas cruzadas y en paralelo con el experto. 2. pruebas de las interfaces junto a los usuarios. 3. casos de prueba construidos en base a los modelos conceptuales. 4. casos de prueba construidos en base a los modelos formales.
pruebas cruzadas y en paralelo con el experto.
139
Para la construcción de un Sistema Experto, los conocimientos privados más útiles son los … 1. Profundos. 2. Superficiales. 3. Principios y Teorías Generales. 4. asociados a la Sabiduría.
Superficiales.
140
El Análisis Estructural del Texto es considerada una técnica de … 1. Modelado. 2. Conceptualización. 3. Educción de Conocimientos. 4. Extracción de Conocimientos.
Extracción de Conocimientos.
141
La RNA Backpropagation recibe ese nombre porque … 1. la salida deseada se propaga hacia atrás a todas las neuronas durante el funcionamiento u operación. 2. la salida obtenida se propaga hacia atrás a todas las neuronas durante el entrenamiento. 3. el error generado se propaga hacia atrás a todas las neuronas durante el entrenamiento. 4. la red cicla varias veces para generar la salida deseada durante el funcionamiento u operación.
el error generado se propaga hacia atrás a todas las neuronas durante el entrenamiento.
142
La RNA que requiere que los patrones de entrenamiento sean ortogonales es … 1. RNA de Hopfield. 2. RNA Perceptrón. 3. RNA Backpropagation. 4. ninguna de las anteriores.
RNA de Hopfield.
143
En un Algoritmo Genético, el operador de Cruzamiento siempre … 1. debe evitar generar individuos con cromosomas iguales a los padres. 2. debe generar individuos con un valor de aptitud superior al de los padres. 3. debe evitar generar individuos con cromosomas inválidos. 4. ninguna de las anteriores.
ninguna de las anteriores.
144
Para poder implementar la Función de Aptitud de un Algoritmo Genético, es recomendable haber definido antes … 1. la regla de aprendizaje. 2. el operador de Selección. 3. el operador de Cruzamiento. 4. la estructura del cromosoma.
la estructura del cromosoma.
145
Si en un proyecto sólo se utiliza la técnica de Análisis Estructural del Texto para adquirir los conocimientos, entonces seguramente se está desarrollando un … 1. Sistema Experto. 2. Algoritmo Genético. 3. Sistema Experto Tradicional. 4. Sistema Basado en Conocimientos.
Sistema Basado en Conocimientos.
146
Para la construcción de un Sistema Experto, los conocimientos privados más útiles son… 1. los Estructurantes. 2. las Teorías Generales. 3. los Modelizados. 4. las Heurísticas.
las Heurísticas.
147
Para evaluar la corrección del prototipo / sistema experto implementado, el Ingeniero del Conocimiento suele utilizar … 1. pruebas cruzadas y en paralelo con el experto. 2. pruebas de las interfaces junto a los usuarios. 3. casos de prueba construidos en base a los modelos conceptuales. 4. datos históricos sobre problemas resueltos en el dominio.
casos de prueba construidos en base a los modelos conceptuales.
148
En un Algoritmo Genético, el operador de Selección … 1. únicamente debe elegir los peores individuos. 2. únicamente debe elegir los mejores individuos. 3. debe elegir los mejores individuos pero incluyendo algunos no tan buenos. 4. debe elegir los peores individuos sólo cuando son la mayoría de la población actual.
debe elegir los mejores individuos pero incluyendo algunos no tan buenos.
149
Para poder implementar el operador de Cruzamiento de un Algoritmo Genético, es recomendable haber definido antes … 1. la función de aptitud. 2. la regla de aprendizaje. 3. el operador de Selección. 4. la estructura del cromosoma.
la estructura del cromosoma.
150
El nivel de la Pirámide de la Información que se refiere a la designación del significado de los signos del mensaje se denomina … 1. Datos. 2. Noticias. 3. Conocimiento. 4. Sabiduría.
Noticias.
151
Para evaluar la usabilidad del prototipo / sistema experto implementado, el Ingeniero del Conocimiento suele utilizar … 1. casos de prueba construidos en base a los modelos conceptuales. 2. casos de prueba construidos en base a los modelos formales. 3. pruebas de las interfaces junto a los usuarios. 4. pruebas cruzadas y en paralelo con el experto.
pruebas de las interfaces junto a los usuarios.
152
Para la construcción de un Sistema Basado en Conocimientos, los conocimientos públicos más útiles son los … 1. Profundos. 2. Superficiales. 3. Teorías Generales. 4. asociados a la Sabiduría.
Teorías Generales.
153
El Emparrillado es considerado una técnica de … 1. Modelado. 2. Conceptualización. 3. Educción de Conocimientos. 4. Extracción de Conocimientos.
Educción de Conocimientos.
154
La RNA que requiere que los patrones de entrenamiento difieran en más de la mitad de sus valores es … 1. RNA de Hopfield. 2. RNA Perceptrón. 3. RNA Backpropagation. 4. ninguna de las anteriores.
RNA de Hopfield.
155
Para poder implementar la Función de Aptitud de un Algoritmo Genético, es recomendable haber definido antes … 1. el criterio de paro. 2. la regla de aprendizaje. 3. el operador de Cruzamiento. 4. ninguna de las anteriores.
ninguna de las anteriores.
156
El componente que almacena los datos del problema a resolver en todo Sistema Experto Tradicional es … 1. Base de Datos. 2. Motor de Inferencias. 3. Base de Conocimientos. 4. ninguna de las anteriores.
Base de Datos.
157
Si se habla de un sistema que maneja conocimientos declarativos y públicos especificados en forma explícita, entonces estamos hablando de un … 1. Sistema Experto. 2. Sistema Experto Tradicional. 3. Sistema Basado en Conocimientos. 4. todas las anteriores.
Sistema Basado en Conocimientos.
158
Para que un sistema se considere Sistema Experto, debe poder … 1. justificar los resultados generados. 2. resolver correctamente los problemas para los que fue diseñado. 3. degradarse suavemente cuando tiene que tratar con problemas ligeramente diferentes a los que fue diseñado. 4. todas las anteriores.
todas las anteriores.
159
Todos los conocimientos usados para tomar decisiones acerca de cómo otros conocimientos pueden emplearse en el proceso de razonamiento se denominan … 1. Conocimientos Tácticos. 2. Conocimientos Fácticos. 3. Conocimientos Estratégicos. 4. Metaconocimientos.
Metaconocimientos.
160
Dentro de la Metodología IDEAL, la fase en la que se realiza la identificación del objetivo y alcance del sistema a ser desarrollado es … 1. Identificación de la Tarea. 2. Desarrollo de los Prototipos. 3. Actuación para conseguir el Mantenimiento Perfectivo. 4. Ejecución de la construcción del Sistema Integrado.
Identificación de la Tarea.
161
La RNA que sirve para resolver problemas complejos de predicción y estimación es … 1. RNA de Hopfield. 2. RNA Perceptrón. 3. RNA Backpropagation. 4. todas las anteriores.
RNA Backpropagation.
162
En las RNA con entrenamiento Hebbiano, si los patrones de entrenamiento no son ortogonales entonces la red… 1. debe utilizar una capa oculta de neuronas. 2. debe estabilizarse al intentar entrenar un patrón. 3. puede no estabilizarse al intentar identificar un patrón. 4. no se estabiliza al utilizar patrones binarios en el entrenamiento.
puede no estabilizarse al intentar identificar un patrón.
163
La topología de una RNA Backpropagation debe incluir conexiones … 1. hacia adelante. 2. hacia atrás. 3. laterales. 4. todas las anteriores.
hacia adelante.
164
Dependiendo del criterio de paro utilizado, una corrida de un Algoritmo Genético puede finalizar cuando … 1. se hayan ejecutado los operadores genéticos una cantidad N de vueltas. 2. se obtenga un individuo con un valor de aptitud igual o superior al valor X. 3. el promedio del valor de aptitud de la población es igual o superior al valor X. 4. todas las anteriores.
todas las anteriores.
165
La función de aptitud de un Algoritmo Genético permite … 1. representar las posibles soluciones al problema. 2. evaluar y comparar las posibles soluciones al problema. 3. identificar el orden en que se aplicarán los operadores genéticos. 4. todas las anteriores.
evaluar y comparar las posibles soluciones al problema.
166
Para que un sistema se considere Sistema Experto, debe poder… 1. aplicar conocimientos especializados del dominio para evitar la búsqueda ciega. 2. resolver siempre exitosamente cualquier problema sin importar el dominio. 3. determinar automáticamente nuevos principios y teorías sobre el dominio. 4. todas las anteriores.
aplicar conocimientos especializados del dominio para evitar la búsqueda ciega.
167
Todas las definiciones de conceptos junto con su estructura y relaciones se consideran … 1. Conocimientos Estratégicos. 2. Conocimientos Tácticos. 3. Conocimientos Fácticos. 4. Metaconocimientos.
Conocimientos Fácticos.
168
Dentro de la Metodología IDEAL, la fase en la que se determina si la tarea es susceptible de ser tratada con la tecnología de la INCO es … 1. Identificación de la Tarea. 2. Desarrollo de los Prototipos. 3. Actuación para conseguir el Mantenimiento Perfectivo. 4. Ejecución de la construcción del Sistema Integrado.
Identificación de la Tarea.
169
La RNA que sirve para resolver problemas donde se necesita completar datos faltantes en un patrón es … 1. RNA de Hopfield. 2. RNA Perceptrón. 3. RNA Backpropagation. 4. Todas las Anteriores.
RNA de Hopfield.
170
En las RNA con entrenamiento por Corrección de Error, se debe aplicar un coeficiente de entrenamiento ( alfa ) pequeño para … 1. lograr que la red aprenda nuevos patrones más rápido. 2. minimizar el error general producido cuando se aprenden nuevos patrones. 3. controlar el comportamiento de las neuronas ocultas al aprender nuevos patrones. 4. evitar que cuando se aprenda un nuevo patrón, se olvide de los patrones anteriores.
evitar que cuando se aprenda un nuevo patrón, se olvide de los patrones anteriores.
171
El cromosoma de un Algoritmo Genético permite … 1. representar las posibles soluciones al problema. 2. evaluar y comparar las posibles soluciones al problema. 3. identificar el orden en que se aplicarán los operadores genéticos. 4. todas las anteriores.
representar las posibles soluciones al problema.
172
Dependiendo del criterio de paro utilizado, una corrida de un Algoritmo Genético puede finalizar cuando … 1. se aprende el problema a resolver. 2. se hayan ejecutado los operadores genéticos una cantidad N de vueltas. 3. se identifican automáticamente los parámetros para optimizar la función de aptitud. 4. todas las anteriores.
se hayan ejecutado los operadores genéticos una cantidad N de vueltas.
173
En un Algoritmo Genético, un componente que se puede desarrollar sin considerar el problema a resolver es … 1. la estructura del cromosoma. 2. el operador de Mutación. 3. la Función de Aptitud. 4. todas las anteriores.
el operador de Mutación.
174
La principal ventaja de utilizar un Algoritmo Genético es que... a. no necesita analizar todas las posibles soluciones al problema. b. es capaz de aprender entre una corrida y otra. c. determina automáticamente las heurísticas que se deben aplicar. d. todas las opciones son correctas.
no necesita analizar todas las posibles soluciones al problema.
175
Todas Red Neuronal Artificial que tenga conexiones hacia atrás o laterales... a. no necesita ciclar para estabilizarse durante su funcionamiento. b. necesita ciclar para estabilizarse durante su funcionamiento. c. necesita ciclar para estabilizarse durante su entrenamiento. d. aprende más rápido.
necesita ciclar para estabilizarse durante su funcionamiento.
176
Si se utiliza una Red Neuronal Artificial, todos los conocimientos entrenados se encuentran almacenados en... a. reglas del estilo SI a ENTONCES b. b. en forma implícita dentro de la red. c. procedimientos con lista de acciones. d. relaciones entre conceptos.
en forma implícita dentro de la red.
177
Un Sistema Experto Tradicional almacena la traza del razonamiento aplicado para resolver el problema en... a. el Motor de Inferencias. b. la Base de Conocimientos. c. el Trazador de Explicaciones. d. la Memoria de Trabajo.
la Memoria de Trabajo.
178
La principal característica que distingue a los Sistemas Expertos Tradicionales de los Sistemas Basados en Conocimiento es... a. que uno tiene Base de Conocimientos y el otro no. b. la fuente del conocimiento que contiene. c. todas las opciones son correctas. d. que uno tienen Motor de Inferencias y el otro no.
la fuente del conocimiento que contiene.
179
La Lógica Difusa se distingue de la Lógica Tradicional en que... a. todas las opciones son correctas. b. permite representar información imprecisa. c. un elemento puede tomar un valor de verdad entre 0 y 1 (sin transiciones abrutas). d. utiliza un función de pertenencia para determinar el valor de verdad.
todas las opciones son correctas.
180
En un Emparrillado, se deben analizar todas las relaciones entre las características que... a. tengan una distancia menor a 2. b. tengan iguales valores en todos los elementos. c. el experto indique. d. estén en el mismo grupo.
estén en el mismo grupo.
181
La técnica de Educción de Conocimientos más útil para identificar el conocimiento procedimental utilizado por un experto para resolver la tarea es... a. Observación de Tareas Habituales. b. Emparrillado. c. Cuestionario. d. Análisis de Protocolos.
Análisis de Protocolos.
182
La Inteligencia Artificial… 1. permite construir Sistemas Inteligentes. 2. permite construir Sistemas Expertos. 3. permite construir Sistemas Expertos Tradicionales. 4. todas las opciones son correctas.
todas las opciones son correctas.
183
Luego de construir el modelo de un Sistema Inteligente a través de Aprendizaje Automático (Machine Learning)… 1. se debe evaluar el modelo calculando las métricas objetivas (tales como precisión y recuperación). 2. se debe evaluar el modelo probando con los datos de Entrenamiento. 3. se debe evaluar si el modelo resuelve el problema analizando los pesos de las conexiones obtenidas. 4. no es necesario evaluar ni probar el modelo.
se debe evaluar el modelo calculando las métricas objetivas (tales como precisión y recuperación).
184
- Luego de construir el modelo de un Sistema Inteligente a través de Aprendizaje Automático (Machine Learning), se debe evaluar si posee buena capacitad de "generalización" usando… 1. los datos de Entrenamiento. 2. los datos de Validación. 3. los datos de Prueba. 4. la opinión subjetiva del experto del dominio sobre el modelo.
los datos de Prueba.
185
Para construir el modelo de un Sistema Inteligente a través de Aprendizaje Automático (Machine Learning), siempre se debe aplicar… 1. los procesos de Entrenamiento, Validación y Prueba. 2. los procesos de Diseño, Desarrollo y Prueba. 3. los procesos de Validación y Prueba. 4. sólo el proceso de Entrenamiento.
los procesos de Entrenamiento, Validación y Prueba.
186
En el proyecto de implementación de un Sistema Inteligente, el ingeniero debe tener en cuenta que… 1. los miembros de la organización pueden no conocer en detalle al problema que se quiere resolver. 2. los requerimientos del proyecto pueden cambiar mientras se lleva a cabo el proyecto. 3. los conocimientos a utilizar pueden ser muy complicados de educir. 4. todas las opciones son correctas.
todas las opciones son correctas.
187
En el proyecto de implementación de un Sistema Inteligente, el ingeniero debe comprender el problema que se quiere resolver porque… 1. facilita seleccionar la tecnología más adecuada para construir el modelo. 2. facilita identificar las fuentes de datos disponibles más útiles para ser utilizadas. 3. facilita estudiar los datos para corroborar que son suficientemente representativos. 4. todas las opciones son correctas.
todas las opciones son correctas.
188
En el proyecto de implementación de un Sistema Inteligente, el ingeniero aplica modelos conceptuales para… 1. determinar si se han adquirido todos los conocimientos necesarios para resolver el problema. 2. ayudarle a entender el problema que se quiere resolver. 3. detectar las metas principales que deben ser alcanzadas por el proyecto. 4. todas las opciones son correctas.
todas las opciones son correctas.
189
Antes de seleccionar la tecnología para implementar un Sistema Inteligente, se deben estudiar los datos disponibles para… 1. detectar posibles errores y/o sesgos. 2. analizar si son suficientemente representativos del problema a resolver. 3. determinar si son todos relevantes para resolver el problema. 4. todas las opciones son correctas.
todas las opciones son correctas.
190
Antes de seleccionar la tecnología para implementar un Sistema Inteligente, los datos disponibles se deben limpiar para… 1. intentar corregir datos faltantes. 2. intentar corregir datos incompletos. 3. intentar corregir datos con ruido. 4. todas las opciones son correctas.
todas las opciones son correctas.
191
Antes de seleccionar la tecnología para implementar un Sistema Inteligente, los datos disponibles se pueden formatear para… 1. normalizar los valores de los atributos. 2. cambiar el tipo de valor de algunos atributos. 3. combinar los valores de algunos atributos para generar otros nuevos. 4. todas las opciones son correctas.
todas las opciones son correctas.
192
Si luego de formalizar los objetivos del Sistema Inteligente, se especifica que hay una única tarea donde se debe encontrar un óptimo a través de múltiple combinaciones de valores entonces para su construcción se debe aplicar… 1. una Red Neuronal Artificial con Aprendizaje Supervisado. 2. un Algoritmo Genético. 3. un Sistema Experto Tradicional. 4. todas las opciones son correctas.
un Algoritmo Genético.
193
Si luego de formalizar los objetivos del Sistema Inteligente, se especifica que hay una única tarea donde se debe generar el mismo resultado que un experto humano aplicando siempre sus reglas educidas, entonces, para su construcción se debe aplicar… 1. un Sistema Basado en Conocimientos. 2. un Algoritmo Genético. 3. un Sistema Experto Tradicional. 4. todas las opciones son correctas.
un Sistema Experto Tradicional.
194
Si luego de formalizar los objetivos del Sistema Inteligente, se especifica que hay una única tarea donde se debe clasificar datos numéricos a partir de un criterio predefinido en una tabla, entonces, para su construcción se debe aplicar… 1. una Red Neuronal Artificial con Aprendizaje Supervisado. 2. un Sistema Experto Tradicional. 3. un Algoritmo Genético. 4. todas las opciones son correctas.
una Red Neuronal Artificial con Aprendizaje Supervisado.
195
Si luego de formalizar los objetivos del Sistema Inteligente, se especifica que hay una única tarea donde se debe predecir un resultado futuro a partir valores conocidos actualmente, entonces para su construcción se debe aplicar… 1. una Red Neuronal Artificial con Aprendizaje Supervisado. 2. una Red Neuronal Artificial con Aprendizaje No Supervisado. 3. un Algoritmo Genético. 4. todas las opciones son correctas.
una Red Neuronal Artificial con Aprendizaje Supervisado.
196
La IA Fuerte considera que… 1. el cerebro y la mente son equivalentes al SW y al HW. 2. el cerebro y la mente son menos potentes que SW y el HW. 3. el HW y el SW son un modelo de la mente humana. 4. todas las opciones son correctas.
el cerebro y la mente son equivalentes al SW y al HW.
197
Antes de seleccionar la tecnología para implementar un Sistema Inteligente, los datos disponibles se deben… 1. estudiar. 2. preparar. 3. recolectar. 4. todas las opciones son correctas.
todas las opciones son correctas.
198
Todo Sistema Experto… 1. puede, o no, poseer Base de Conocimientos explícita. 2. posee siempre Memoria de Trabajo. 3. posee siempre Trazador de Explicaciones. 4. posee siempre un Motor de Inferencias.
puede, o no, poseer Base de Conocimientos explícita.
199
Los expertos… 1. son reemplazados por cualquier Sistema Software. 2. pueden ser asistidos por un Sistema Inteligente. 3. son reemplazados por un Sistema Inteligente. 4. siempre rechazan a los Sistemas Expertos.
pueden ser asistidos por un Sistema Inteligente.
200
Los Sistemas Basados en Conocimientos… 1. puede, o no, poseer Base de Conocimientos explícita. 2. deben poseer Base de Conocimientos explícita. 3. deben poseer Base de Conocimientos que puede, o no, estar explícita. 4. deben poseer una Memoria de Trabajo.
deben poseer Base de Conocimientos explícita.
201
La principal ventaja de utilizar un Algoritmo Genético es que… 1. aprende gracias a su Base de Conocimientos. 2. sabe con certeza cómo buscar las soluciones. 3. no necesita analizar todas las posibles soluciones al problema. 4. puede aprender a resolver el problema.
no necesita analizar todas las posibles soluciones al problema.
202
Un Algoritmo Genético… 1. me permite obtener siempre la mejor solución a un problema. 2. me permite obtener una buena solución a un problema. 3. me permite obtener siempre la mejor solución a un problema de clasificación. 4 .me permite obtener una buena solución a un problema de clasificación.
me permite obtener una buena solución a un problema.
203
Un Algoritmo Genético… 1. es un tipo de Sistema Software Tradicional. 2. es un tipo de Sistema Inteligente. 3. es un Sistema Basado en Conocimientos. 4. es un tipo de Sistema Experto Tradicional.
es un tipo de Sistema Inteligente.
204
Una vuelta (o ciclo) en un Algoritmo Genético… 1. ejecuta los operadores de selección, cruzamiento y mutación. 2. ejecuta los operadores de crear población inicial, selección, cruzamiento y mutación. 3. calcula la población final. 4. siempre mejora los valores de la función de aptitud de todos los individuos.
ejecuta los operadores de selección, cruzamiento y mutación.
205
El método de Control sobre Número Esperado en un Algoritmo Genético… 1. utiliza en su proceso el método de Ruleta. 2. utiliza en su proceso el método de Ranking. 3. utiliza en su proceso el método de Torneo. 4. utiliza en su proceso el método Multipunto.
utiliza en su proceso el método de Ruleta.
206
Los mecanismos de Selección de un Algoritmo Genético… 1. permiten obtener un subconjunto de los individuos que entran a dicho operador. 2. ordenan los individuos que entran a dicho operador. 3. eligen siempre a los mejores individuos que entran a dicho operador. 4. utiliza la selección natural para penalizar a los individuos con baja función de aptitud.
permiten obtener un subconjunto de los individuos que entran a dicho operador.
207
La población inicial en un Algoritmo Genético… 1. debe ser la misma para todas las corridas. 2. debe ser la misma para todos los ciclos de una corrida. 3. debe definirse de manera manual. 4. puede, o no, definirse de manera manual.
puede, o no, definirse de manera manual.
208
Si se cumple el criterio de paro dentro de la corrida de un Algoritmo Genético… 1. obtengo la población final de la corrida. 2. obtengo la población final de un ciclo. 3. obtengo la población donde se encuentra el mejor individuo de toda la corrida. 4. obtengo la población donde se encuentra el mejor individuo del último ciclo.
obtengo la población final de la corrida.
209
En cada ciclo de un Algoritmo Genético, la Mutación… 1. siempre modifica varios bits de un individuo de la población actual. 2. siempre modifica un bit de un individuo de la población actual. 3. puede modificar o no un bit de un individuo de la población actual. 4. puede modificar o no varios bit de un individuo de la población actual.
puede modificar o no un bit de un individuo de la población actual.
210
Durante la corrida de un Algoritmo Genético, un "individuo inválido" puede ser generado por… 1. ejecutar el criterio de paro. 2. aplicar método de ruleta. 3. ejecutar la mutación. 4. aplicar la función de aptitud.
ejecutar la mutación.
211
Los métodos de Selección de un Algoritmo Genético… 1. siempre eligen a los individuos con mejor valor de aptitud. 2. siempre eligen a los individuos con peor valor de aptitud. 3. pueden elegir dos veces al mismo individuo. 4. no pueden elegir dos veces al mismo individuo.
pueden elegir dos veces al mismo individuo.
212
La función de aptitud de un Algoritmo Genético… 1. representa el conocimiento del problema. 2. identifica cuan compleja es la solución al problema. 3. representa la descripción de una solución al problema. 4. es una posible solución al problema.
representa el conocimiento del problema.
213
En un Algoritmo Genético, el método de Torneo… 1. propone que los individuos compitan de a pares. 2. propone armar una lista en función del valor de la función de aptitud. 3. calcula la sumatoria de los valores de la función de aptitud de la población. 4. calcula el promedio de los valores de la función de aptitud de la población.
propone que los individuos compitan de a pares.
214
El método de Ruleta en un Algoritmo Genético… 1. garantiza que los individuos con valor de aptitud mayor al promedio sean elegidos para la reproducción. 2. no garantiza que los individuos con valor de aptitud mayor al promedio sean elegidos para la reproducción. 3. garantiza que los individuos con valor de aptitud menor al promedio no sean elegidos para la reproducción. 4. no garantiza que los individuos con mejor valor de aptitud posean mayor probabilidad de ser elegidos para la reproducción.
no garantiza que los individuos con valor de aptitud mayor al promedio sean elegidos para la reproducción.
215
En un Algoritmo Genético, la Cruza Simple… 1. puede tener dos puntos de corte. 2. siempre tiene más de un punto de corte. 3. tiene siempre un punto de corte. 4. siempre utiliza una plantilla.
tiene siempre un punto de corte.
216
Si se desea entrenar una RNA para que, a partir de un texto manuscrito que aparece en una fotografía, indique el número de legajo del alumno que lo escribió, entonces se debería utilizar una red… 1. de tipo Heteroasociativa con Aprendizaje Supervisado. 2. de tipo Heteroasociativa con Aprendizaje No Supervisado. 3. de tipo Autoasociativa con Aprendizaje Supervisado. 4. de tipo Autoasociativa con Aprendizaje No Supervisado.
de tipo Heteroasociativa con Aprendizaje Supervisado.
217
Si se desea entrenar una RNA para que indique el nombre del alumno cuya cara aparece en una fotografía, entonces se debería utilizar una red… 1. de tipo Heteroasociativa con Aprendizaje Supervisado. 2. de tipo Heteroasociativa con Aprendizaje No Supervisado. 3. de tipo Autoasociativa con Aprendizaje Supervisado. 4. de tipo Autoasociativa con Aprendizaje No Supervisado.
de tipo Heteroasociativa con Aprendizaje Supervisado.
218
Si se desea que una RNA aprenda a predecir la cantidad de alumnos que van a promocionar la cursada utilizando el histórico de trabajos prácticos y exámenes ya evaluados, entonces se debería utilizar una red… 1. de tipo Heteroasociativa con Aprendizaje Supervisado. 2. de tipo Heteroasociativa con Aprendizaje No Supervisado. 3. de tipo Autoasociativa con Aprendizaje Supervisado. 4. de tipo Autoasociativa con Aprendizaje No Supervisado.
de tipo Heteroasociativa con Aprendizaje Supervisado.
219
El modelo de RNA que sólo permite utilizar valores numéricos para codificar los patrones suministrados como datos entrada es… 1. RNA Multi-Perceptrón Back-Propagation. 2. RNA Perceptrón. 3. RNA de Hopfield. 4. Todas las opciones son correctas.
Todas las opciones son correctas.
220
El modelo de RNA que requiere pasar siempre por una etapa de entrenamiento antes de poder ponerla en producción es… 1. RNA Multi-Perceptrón Back-Propagation. 2. RNA Perceptrón. 3. RNA de Hopfield. 4. Todas las opciones son correctas.
Todas las opciones son correctas.
221
Si luego de entrenar una RNA Multi-Perceptrón Back-Propagation se obtiene una precisión de entrenamiento igual al 23% y una precisión de validación igual al 22%, entonces se puede concluir que… 1. el entrenamiento ha fallado, por lo que se debería realizar nuevamente inicializando los pesos al azar y usando menor cantidad de ciclos de entrenamiento. 2. el entrenamiento ha fallado, por lo que se debería realizar nuevamente inicializando los pesos al azar y usando una tasa de aprendizaje de 5,30. 3. el entrenamiento de la red todavía no ha finalizado, por lo que se debería continuar con los valores de los pesos actuales. 4. la red ha sido entrenada con éxito, por lo que puede ser instalada en producción.
el entrenamiento de la red todavía no ha finalizado, por lo que se debería continuar con los valores de los pesos actuales.
222
Si luego de entrenar una RNA Multi-Perceptrón Back-Propagation se obtiene una recuperación (recall) de entrenamiento igual al 93% y una recuperación (recall) de validación igual al 7%, entonces se puede concluir que… 1. el entrenamiento ha fallado, por lo que se debería realizar nuevamente inicializando los pesos al azar y usando menor cantidad de ciclos de entrenamiento. 2. el entrenamiento ha fallado, por lo que se debería realizar nuevamente inicializando los pesos al azar y usando mayor cantidad de ciclos de entrenamiento. 3. el entrenamiento de la red todavía no ha finalizado, por lo que se deberían sacar neuronas ocultas al azar antes de continuar con los valores de los pesos actuales. 4. la red ha sido entrenada con éxito, por lo que puede ser instalada en producción.
el entrenamiento ha fallado, por lo que se debería realizar nuevamente inicializando los pesos al azar y usando menor cantidad de ciclos de entrenamiento.
223
Si luego de entrenar una RNA Multi-Perceptrón Back-Propagation se obtiene una recuperación (recall) de entrenamiento igual al 23% y una recuperación (recall) de validación igual al 22%, entonces se puede concluir que… 1. el entrenamiento ha fallado, por lo que se debería realizar nuevamente inicializando los pesos al azar y usando menor cantidad de ciclos de entrenamiento. 2. el entrenamiento ha fallado, por lo que se debería realizar nuevamente inicializando los pesos al azar y usando una tasa de aprendizaje de 5,30. 3. el entrenamiento de la red todavía no ha finalizado, por lo que se debería continuar con los valores de los pesos actuales. 4. la red ha sido entrenada con éxito, por lo que puede ser instalada en producción.
el entrenamiento de la red todavía no ha finalizado, por lo que se debería continuar con los valores de los pesos actuales.
224
El modelo de RNA que, durante el entrenamiento, requiere procesar cada patrón de datos sólo una vez para aprenderlo es… 1. RNA Multi-Perceptrón Back-Propagation. 2. RNA Perceptrón. 3. RNA de Hopfield. 4. Todas las opciones son correctas.
RNA de Hopfield.
225
El modelo de RNA que, una vez entrenada en producción, necesita iterar muchas veces hasta se estabilice en un único resultado es… 1. RNA Multi-Perceptrón Back-Propagation. 2. RNA Perceptrón. 3. RNA de Hopfield. 4. Todas las opciones son correctas.
RNA de Hopfield.
226
Las RNA Multi-Perceptrón Back-Propagation se distinguen de los otros modelos porque… 1. siempre deben tener una capa de neuronas ocultas. 2. en teoría pueden aprender a aproximar cualquier tipo de función lineal o no lineal. 3. requieren que los patrones de entrenamiento sean ortogonales. 4. todas las opciones son correctas.
en teoría pueden aprender a aproximar cualquier tipo de función lineal o no lineal.
227
Las RNA Multi-Perceptrón Back-Propagation se distinguen de los otros modelos porque… 1. pueden tener varias capas de neuronas ocultas o ninguna. 2. en teoría pueden aprender a aproximar cualquier tipo de función lineal o no lineal. 3. requieren que la función de las neuronas sea derivable para poder calcular el gradiente negativo. 4. todas las opciones son correctas.
todas las opciones son correctas.
228
Las RNA Multi-Perceptrón Back-Propagation se distinguen de los otros modelos porque… 1. siempre deben tener una capa de neuronas ocultas. 2. en teoría solamente pueden aprender a aproximar funciones lineales. 3. requieren que la función de las neuronas sea derivable para poder calcular el gradiente negativo. 4. todas las opciones son correctas.
requieren que la función de las neuronas sea derivable para poder calcular el gradiente negativo.
229
Las RNA Multi-Perceptrón Back-Propagation se distinguen de los otros modelos porque… 1. pueden tener varias capas de neuronas ocultas o ninguna. 2. en teoría solamente pueden aprender a aproximar funciones lineales. 3. requieren que los patrones de entrenamiento sean ortogonales. 4. todas las opciones son correctas.
pueden tener varias capas de neuronas ocultas o ninguna.
230
Los conocimientos privados… 1. se extraen. 2. se educen. 3. se entrenan. 4. se ignoran.
se educen.
231
Los conocimientos públicos… 1. son parte del conocimiento valioso del Experto. 2. pueden ser también conocimientos privados. 3. son siempre declarativos. 4. son conocimientos que se extraen de libros y revistas.
son conocimientos que se extraen de libros y revistas.
232
En un ejercicio de Deducción Natural, si la tesis tiene una implicación, entonces… 1. se debe suponer la conclusión de la tesis. 2. se debe suponer el antecedente de la tesis. 3. se debe suponer la hipótesis que tiene el mismo cuantificador que la tesis. 4. no se debe suponer ninguna fórmula para resolver el ejercicio.
se debe suponer el antecedente de la tesis.
233
En un ejercicio de Deducción Natural, si la tesis no tiene una implicación, entonces… 1. se debe suponer la conclusión de la tesis. 2. se debe suponer el antecedente de la tesis. 3. se debe suponer la hipótesis que tiene el mismo cuantificador que la tesis. 4. no se debe suponer ninguna fórmula para resolver el ejercicio.
no se debe suponer ninguna fórmula para resolver el ejercicio.
234
En un ejercicio de Deducción Natural, no se debe realizar una "suposición" cuando… 1. la tesis tiene un cuantificador de "EXISTE". 2. la tesis no tiene una implicación. 3. la tesis tiene una implicación. 4. la tesis tiene un cuantificador de "PARA-TODO".
la tesis no tiene una implicación.
235
En un ejercicio de Deducción Natural, si todas las hipótesis tiene un cuantificador de "PARA-TODO" entonces… 1. la tesis debe tener un cuantificador de "PARA-TODO". 2. la tesis debe tener un cuantificador de "EXISTE". 3. la tesis debe tener una implicación. 4. la tesis puede tener un cuantificador de "EXISTE" o "PARA-TODO".
la tesis puede tener un cuantificador de "EXISTE" o "PARA-TODO".
236
En un ejercicio de Deducción Natural, si una de las hipótesis tiene un cuantificador de "EXISTE", mientras que el resto tiene PARA-TODO", entonces… 1. la tesis debe tener un cuantificador de "PARA-TODO". 2. la tesis debe tener un cuantificador de "EXISTE". 3. la tesis debe tener una implicación. 4. la tesis puede tener un cuantificador de "EXISTE" o "PARA-TODO".
la tesis debe tener un cuantificador de "EXISTE".
237
En un ejercicio de Deducción Natural, si la tesis tiene un cuantificador de "PARA-TODO", entonces… 1. todas las hipótesis deben tener un cuantificador de "PARA-TODO". 2. la primera hipótesis aplicada debe tener un cuantificador de "PARA-TODO", mientras que el resto puede tener un cuantificador de "PARA-TODO" o "EXISTE". 3. sólo una hipótesis tiene un cuantificador de "EXISTE" mientras que el resto deber tener "PARATODO". 4. sólo una hipótesis tiene un cuantificador de "PARA-TODO" mientras que el resto deber tener "EXISTE".
todas las hipótesis deben tener un cuantificador de "PARA-TODO".
238
En un ejercicio de Deducción Natural, si la tesis tiene un cuantificador de "EXISTE", entonces… 1. todas las hipótesis deben tener un cuantificador de "EXISTE". 2. la primera hipótesis aplicada debe tener un cuantificador de "PARA-TODO", mientras que el resto puede tener un cuantificador de "PARA-TODO" o "EXISTE". 3. sólo una hipótesis tiene un cuantificador de "EXISTE" mientras que el resto deber tener "PARATODO". 4. sólo una hipótesis tiene un cuantificador de "PARA-TODO" mientras que el resto deber tener "EXISTE".
sólo una hipótesis tiene un cuantificador de "EXISTE" mientras que el resto deber tener "PARATODO".
239
La Lógica Difusa se distingue de la Lógica Tradicional en que... a. todas las opciones son correctas. b. permite representar información imprecisa. c. un elemento puede tomar un valor de verdad entre 0 y 1 (sin transiciones abrutas). d. utiliza un función de pertenencia para determinar el valor de verdad.
todas las opciones son correctas.

UTN Inteligencia Artificial (1 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2025 Bold Learning Solutions. Terms and Conditions