You've learned this already. ✅
Click here to view the next lesson.
Parte 1 del cuestionario: Redes Neuronales y Conceptos Básicos de Aprendizaje Profundo
3. Aprendizaje Profundo con Keras (Capítulo 8)
- ¿Cuál es la principal diferencia entre la API Sequential y la API Funcional en Keras?
- a) La API Sequential se utiliza para construir modelos complejos, mientras que la API Funcional solo para modelos simples.
- b) La API Sequential permite arquitecturas más complejas, como modelos de entrada/salida múltiple, mientras que la API Funcional está limitada a modelos lineales simples.
- c) La API Sequential se utiliza para construir pilas lineales simples de capas, mientras que la API Funcional permite arquitecturas más complejas como entradas/salidas múltiples y capas compartidas.
- d) La API Sequential se usa para aprendizaje transferido, y la API Funcional para entrenar modelos desde cero.
- ¿Cuál es el propósito del callback ModelCheckpoint en Keras?
- a) Monitorear el rendimiento del modelo y detener el entrenamiento cuando comience a sobreajustarse.
- b) Guardar los pesos del modelo o el modelo completo durante el entrenamiento, a menudo cuando mejora el rendimiento.
- c) Registrar la tasa de aprendizaje y otros hiperparámetros durante el entrenamiento.
- d) Entrenar el modelo con múltiples conjuntos de datos en paralelo.
- ¿Cómo evita EarlyStopping el sobreajuste en modelos Keras?
- a) Reduciendo automáticamente la tasa de aprendizaje durante el entrenamiento.
- b) Deteniendo el proceso de entrenamiento una vez que el rendimiento del modelo en el conjunto de validación deja de mejorar.
- c) Guardando el modelo con mejor rendimiento durante el entrenamiento.
- d) Omitiendo los pasos de validación para aumentar la velocidad del entrenamiento.
- Al desplegar un modelo Keras utilizando Flask, ¿cuál es el propósito típico del framework Flask?
- a) Escalar modelos de aprendizaje automático para entrenamiento distribuido.
- b) Construir una aplicación web liviana que sirva predicciones a través de una API RESTful.
- c) Optimizar el rendimiento del modelo en aplicaciones móviles.
- d) Realizar ajuste de hiperparámetros durante el entrenamiento.
- ¿Cuál es el propósito principal de convertir un modelo Keras al formato TensorFlow Lite?
- a) Entrenar el modelo más rápido usando GPUs.
- b) Permitir que el modelo se ejecute de manera eficiente en dispositivos móviles o embebidos.
- c) Mejorar la precisión del modelo en grandes conjuntos de datos.
- d) Reducir el tiempo necesario para entrenar el modelo en infraestructura en la nube.
3. Aprendizaje Profundo con Keras (Capítulo 8)
- ¿Cuál es la principal diferencia entre la API Sequential y la API Funcional en Keras?
- a) La API Sequential se utiliza para construir modelos complejos, mientras que la API Funcional solo para modelos simples.
- b) La API Sequential permite arquitecturas más complejas, como modelos de entrada/salida múltiple, mientras que la API Funcional está limitada a modelos lineales simples.
- c) La API Sequential se utiliza para construir pilas lineales simples de capas, mientras que la API Funcional permite arquitecturas más complejas como entradas/salidas múltiples y capas compartidas.
- d) La API Sequential se usa para aprendizaje transferido, y la API Funcional para entrenar modelos desde cero.
- ¿Cuál es el propósito del callback ModelCheckpoint en Keras?
- a) Monitorear el rendimiento del modelo y detener el entrenamiento cuando comience a sobreajustarse.
- b) Guardar los pesos del modelo o el modelo completo durante el entrenamiento, a menudo cuando mejora el rendimiento.
- c) Registrar la tasa de aprendizaje y otros hiperparámetros durante el entrenamiento.
- d) Entrenar el modelo con múltiples conjuntos de datos en paralelo.
- ¿Cómo evita EarlyStopping el sobreajuste en modelos Keras?
- a) Reduciendo automáticamente la tasa de aprendizaje durante el entrenamiento.
- b) Deteniendo el proceso de entrenamiento una vez que el rendimiento del modelo en el conjunto de validación deja de mejorar.
- c) Guardando el modelo con mejor rendimiento durante el entrenamiento.
- d) Omitiendo los pasos de validación para aumentar la velocidad del entrenamiento.
- Al desplegar un modelo Keras utilizando Flask, ¿cuál es el propósito típico del framework Flask?
- a) Escalar modelos de aprendizaje automático para entrenamiento distribuido.
- b) Construir una aplicación web liviana que sirva predicciones a través de una API RESTful.
- c) Optimizar el rendimiento del modelo en aplicaciones móviles.
- d) Realizar ajuste de hiperparámetros durante el entrenamiento.
- ¿Cuál es el propósito principal de convertir un modelo Keras al formato TensorFlow Lite?
- a) Entrenar el modelo más rápido usando GPUs.
- b) Permitir que el modelo se ejecute de manera eficiente en dispositivos móviles o embebidos.
- c) Mejorar la precisión del modelo en grandes conjuntos de datos.
- d) Reducir el tiempo necesario para entrenar el modelo en infraestructura en la nube.
3. Aprendizaje Profundo con Keras (Capítulo 8)
- ¿Cuál es la principal diferencia entre la API Sequential y la API Funcional en Keras?
- a) La API Sequential se utiliza para construir modelos complejos, mientras que la API Funcional solo para modelos simples.
- b) La API Sequential permite arquitecturas más complejas, como modelos de entrada/salida múltiple, mientras que la API Funcional está limitada a modelos lineales simples.
- c) La API Sequential se utiliza para construir pilas lineales simples de capas, mientras que la API Funcional permite arquitecturas más complejas como entradas/salidas múltiples y capas compartidas.
- d) La API Sequential se usa para aprendizaje transferido, y la API Funcional para entrenar modelos desde cero.
- ¿Cuál es el propósito del callback ModelCheckpoint en Keras?
- a) Monitorear el rendimiento del modelo y detener el entrenamiento cuando comience a sobreajustarse.
- b) Guardar los pesos del modelo o el modelo completo durante el entrenamiento, a menudo cuando mejora el rendimiento.
- c) Registrar la tasa de aprendizaje y otros hiperparámetros durante el entrenamiento.
- d) Entrenar el modelo con múltiples conjuntos de datos en paralelo.
- ¿Cómo evita EarlyStopping el sobreajuste en modelos Keras?
- a) Reduciendo automáticamente la tasa de aprendizaje durante el entrenamiento.
- b) Deteniendo el proceso de entrenamiento una vez que el rendimiento del modelo en el conjunto de validación deja de mejorar.
- c) Guardando el modelo con mejor rendimiento durante el entrenamiento.
- d) Omitiendo los pasos de validación para aumentar la velocidad del entrenamiento.
- Al desplegar un modelo Keras utilizando Flask, ¿cuál es el propósito típico del framework Flask?
- a) Escalar modelos de aprendizaje automático para entrenamiento distribuido.
- b) Construir una aplicación web liviana que sirva predicciones a través de una API RESTful.
- c) Optimizar el rendimiento del modelo en aplicaciones móviles.
- d) Realizar ajuste de hiperparámetros durante el entrenamiento.
- ¿Cuál es el propósito principal de convertir un modelo Keras al formato TensorFlow Lite?
- a) Entrenar el modelo más rápido usando GPUs.
- b) Permitir que el modelo se ejecute de manera eficiente en dispositivos móviles o embebidos.
- c) Mejorar la precisión del modelo en grandes conjuntos de datos.
- d) Reducir el tiempo necesario para entrenar el modelo en infraestructura en la nube.
3. Aprendizaje Profundo con Keras (Capítulo 8)
- ¿Cuál es la principal diferencia entre la API Sequential y la API Funcional en Keras?
- a) La API Sequential se utiliza para construir modelos complejos, mientras que la API Funcional solo para modelos simples.
- b) La API Sequential permite arquitecturas más complejas, como modelos de entrada/salida múltiple, mientras que la API Funcional está limitada a modelos lineales simples.
- c) La API Sequential se utiliza para construir pilas lineales simples de capas, mientras que la API Funcional permite arquitecturas más complejas como entradas/salidas múltiples y capas compartidas.
- d) La API Sequential se usa para aprendizaje transferido, y la API Funcional para entrenar modelos desde cero.
- ¿Cuál es el propósito del callback ModelCheckpoint en Keras?
- a) Monitorear el rendimiento del modelo y detener el entrenamiento cuando comience a sobreajustarse.
- b) Guardar los pesos del modelo o el modelo completo durante el entrenamiento, a menudo cuando mejora el rendimiento.
- c) Registrar la tasa de aprendizaje y otros hiperparámetros durante el entrenamiento.
- d) Entrenar el modelo con múltiples conjuntos de datos en paralelo.
- ¿Cómo evita EarlyStopping el sobreajuste en modelos Keras?
- a) Reduciendo automáticamente la tasa de aprendizaje durante el entrenamiento.
- b) Deteniendo el proceso de entrenamiento una vez que el rendimiento del modelo en el conjunto de validación deja de mejorar.
- c) Guardando el modelo con mejor rendimiento durante el entrenamiento.
- d) Omitiendo los pasos de validación para aumentar la velocidad del entrenamiento.
- Al desplegar un modelo Keras utilizando Flask, ¿cuál es el propósito típico del framework Flask?
- a) Escalar modelos de aprendizaje automático para entrenamiento distribuido.
- b) Construir una aplicación web liviana que sirva predicciones a través de una API RESTful.
- c) Optimizar el rendimiento del modelo en aplicaciones móviles.
- d) Realizar ajuste de hiperparámetros durante el entrenamiento.
- ¿Cuál es el propósito principal de convertir un modelo Keras al formato TensorFlow Lite?
- a) Entrenar el modelo más rápido usando GPUs.
- b) Permitir que el modelo se ejecute de manera eficiente en dispositivos móviles o embebidos.
- c) Mejorar la precisión del modelo en grandes conjuntos de datos.
- d) Reducir el tiempo necesario para entrenar el modelo en infraestructura en la nube.