examen RRespuestas--
Resumen
1.
¿Con una regresión lineal qué tipo de afirmación de las siguientes se podría conseguir?
A mayor cantidad de profesores en Platzi, mayor cantidad de cursos.
2.
¿El árbol de decisión a qué tipo de algoritmos de machine learning pertenece?
Supervisados
3.
En un árbol de decisión, ¿cómo se llaman los puntos en los que tomamos una decisión?
Nodo
4.
¿Quiénes o qué generan los datos?
Las personas
5.
Elige la frase correcta: “Para evitar dilemas éticos, tenemos que ______________________________”:
Evitar tener sesgos de información.
6.
¿De qué sería un ejemplo utilizar datos de movilidad para crear una semaforización inteligente en una ciudad?
Data4Good
7.
¿Cómo se define la inteligencia artificial?
Es la capacidad de una máquina para realizar tareas que requieren inteligencia humana, como el aprendizaje, la resolución de problemas y la toma de decisiones.
8.
¿Cuáles son las diferencias entre clasificación y regresión en machine learning?
La clasificación asigna una etiqueta a cada elemento de un conjunto de datos, mientras que la regresión se utiliza para predecir una variable continua.
9.
Son aspectos a mejorar en el ámbito de AI.
Todas las opciones son correctas.
10.
¿Cuál es el propósito principal del aprendizaje por refuerzo en inteligencia artificial?
Aprender de forma autónoma mediante la toma de decisiones y retroalimentación.
11.
¿Cuál es un ejemplo de inteligencia artificial generativa?
GPT-3, un modelo de lenguaje de inteligencia artificial que puede generar texto.
12.
¿Qué tipo de algoritmos se utilizan en el deep learning?
Se utilizan redes neuronales artificiales, algoritmos inspirados en el cerebro humano.
13.
¿Qué desventaja tiene el deep learning respecto al machine learning clásico?
El deep learning requiere un mayor poder computacional y tiempo de entrenamiento.
14.
¿Qué es la visión artificial y para qué sirve?
La visión artificial es una disciplina científica que permite a los ordenadores y sistemas extraer información significativa a partir de imágenes digitales, videos y otras entradas visuales, y tomar acciones o realizar recomendaciones en función de esa información. Sirve para resolver problemas complejos que requieren una comprensión del entorno visual, como el reconocimiento facial, la detección de objetos, la segmentación semántica o la generación de imágenes.
15.
¿Cómo podrías usar los modelos de Hugging Face en tus proyectos de IA?
- Puedes acceder al Hub de Hugging Face, donde puedes explorar, descargar o subir modelos públicos o privados . También puedes probar los Spaces, que son demos interactivas que muestran las capacidades de los modelos. - Puedes integrar la biblioteca Transformers en tu código usando Python o cualquier otro lenguaje compatible con TensorFlow o PyTorch. También puedes usar otras bibliotecas que se integran con Transformers, como spaCy, SpeechBrain o Keras. - Puedes implementar los modelos de Hugging Face en la nube usando servicios como Azure o AWS, que te permiten desplegar y escalar tus soluciones de ML fácilmente.
¿Qué tipo de aplicaciones se pueden crear con los Spaces de Hugging Face?
Se pueden crear aplicaciones de cualquier tipo que usen modelos de NLP o visión computacional. Como generación de texto, traducción, reconocimiento facial, etc.
17.
¿Qué beneficios tiene usar autotrain e inference endpoint de Hugging Face?
Crear modelos personalizados de NLP con datos propios y desplegarlos fácilmente en la nube; reducir el tiempo y el costo de desarrollo; mejorar la calidad y el rendimiento de los modelos; y aprovechar el ecosistema y la comunidad de Hugging Face.
18.
¿Cuál era el objetivo del Test de Turing tal como fue concebido en sus orígenes?
Validar la inteligencia de una máquina mediante su capacidad de mantener una conversación fluida con un ser humano.
19.
¿Qué es un árbol de búsqueda en un juego?
Un diagrama que explora todos los posibles estados de un juego.
20.
¿Por qué es importante el álgebra lineal en IA?
Constituye el lenguaje matemático natural para representar numéricamente todo tipo de objetos complejos como imágenes o texto.
21.
¿Por qué es importante el cálculo en IA?
Porque el proceso mediante el cual aprenden los algoritmos es con la optimización de una función matemática.
22.
¿Por qué es necesaria la probabilidad en IA?
El proceso de optimizar una función para el aprendizaje de un algoritmo siempre trae un grado de incertidumbre, esa incertidumbre se cuantifica con probabilidades.
23.
¿Qué dice el argumento de Karl Popper sobre la imposibilidad de predecir nuevas invenciones?
Predecir un invento implica haberlo inventado, la idea misma es el invento.
Ver menos