Cuestionario: Fundamentos del Aprendizaje Profundo
Capítulo 1: Introducción al Aprendizaje Profundo
Pon a prueba tu comprensión de los conceptos fundamentales cubiertos en la primera parte de este libro con este cuestionario. Cada pregunta está diseñada para reforzar los puntos clave de cada capítulo, asegurando que tengas una comprensión sólida de los conceptos básicos del aprendizaje profundo y los modelos generativos.
Pregunta 1: Capas de Redes Neuronales
¿Cuáles son los principales tipos de capas en una red neuronal y cuáles son sus roles?
A) Capa de Entrada, Capas Ocultas, Capa de Salida
B) Capa Convolucional, Capa Recurrente, Capa de Pooling
C) Capa de Codificación, Capa de Decodificación, Capa de Atención
D) Capa Lineal, Capa de Activación, Capa de Dropout
Pregunta 2: Funciones de Activación
¿Cuál es la principal diferencia entre las funciones de activación Sigmoid y ReLU?
A) Sigmoid produce valores entre -1 y 1, ReLU produce valores entre 0 y 1
B) Sigmoid produce valores entre 0 y 1, ReLU produce la entrada si es positiva, de lo contrario, cero
C) Sigmoid se utiliza para clasificación, ReLU se utiliza para regresión
D) Sigmoid es no lineal, ReLU es lineal
Pregunta 3: Retropropagación
¿Por qué es importante la retropropagación en el entrenamiento de redes neuronales?
A) Transmite la entrada a través de la red
B) Inicializa los pesos de la red
C) Actualiza los pesos calculando el gradiente de la función de pérdida
D) Evalúa el rendimiento de la red en los datos de prueba
Pregunta 4: Funciones de Pérdida
¿Cuál de las siguientes es una función de pérdida comúnmente utilizada para tareas de clasificación binaria?
A) Error Cuadrático Medio (MSE)
B) Pérdida de Entropía Cruzada
C) Pérdida Hinge
D) Divergencia Kullback-Leibler
Pregunta 5: Sobreajuste
¿Qué es el sobreajuste y cómo puede mitigarse?
A) Cuando el modelo funciona bien en los datos de entrenamiento pero mal en datos nuevos; puede mitigarse usando una red más grande
B) Cuando el modelo funciona mal tanto en los datos de entrenamiento como en los datos nuevos; puede mitigarse usando más datos
C) Cuando el modelo funciona bien en los datos de entrenamiento pero mal en datos nuevos; puede mitigarse usando técnicas de regularización y aumento de datos
D) Cuando el modelo funciona bien en datos nuevos pero mal en los datos de entrenamiento; puede mitigarse usando parada temprana
Capítulo 1: Introducción al Aprendizaje Profundo
Pon a prueba tu comprensión de los conceptos fundamentales cubiertos en la primera parte de este libro con este cuestionario. Cada pregunta está diseñada para reforzar los puntos clave de cada capítulo, asegurando que tengas una comprensión sólida de los conceptos básicos del aprendizaje profundo y los modelos generativos.
Pregunta 1: Capas de Redes Neuronales
¿Cuáles son los principales tipos de capas en una red neuronal y cuáles son sus roles?
A) Capa de Entrada, Capas Ocultas, Capa de Salida
B) Capa Convolucional, Capa Recurrente, Capa de Pooling
C) Capa de Codificación, Capa de Decodificación, Capa de Atención
D) Capa Lineal, Capa de Activación, Capa de Dropout
Pregunta 2: Funciones de Activación
¿Cuál es la principal diferencia entre las funciones de activación Sigmoid y ReLU?
A) Sigmoid produce valores entre -1 y 1, ReLU produce valores entre 0 y 1
B) Sigmoid produce valores entre 0 y 1, ReLU produce la entrada si es positiva, de lo contrario, cero
C) Sigmoid se utiliza para clasificación, ReLU se utiliza para regresión
D) Sigmoid es no lineal, ReLU es lineal
Pregunta 3: Retropropagación
¿Por qué es importante la retropropagación en el entrenamiento de redes neuronales?
A) Transmite la entrada a través de la red
B) Inicializa los pesos de la red
C) Actualiza los pesos calculando el gradiente de la función de pérdida
D) Evalúa el rendimiento de la red en los datos de prueba
Pregunta 4: Funciones de Pérdida
¿Cuál de las siguientes es una función de pérdida comúnmente utilizada para tareas de clasificación binaria?
A) Error Cuadrático Medio (MSE)
B) Pérdida de Entropía Cruzada
C) Pérdida Hinge
D) Divergencia Kullback-Leibler
Pregunta 5: Sobreajuste
¿Qué es el sobreajuste y cómo puede mitigarse?
A) Cuando el modelo funciona bien en los datos de entrenamiento pero mal en datos nuevos; puede mitigarse usando una red más grande
B) Cuando el modelo funciona mal tanto en los datos de entrenamiento como en los datos nuevos; puede mitigarse usando más datos
C) Cuando el modelo funciona bien en los datos de entrenamiento pero mal en datos nuevos; puede mitigarse usando técnicas de regularización y aumento de datos
D) Cuando el modelo funciona bien en datos nuevos pero mal en los datos de entrenamiento; puede mitigarse usando parada temprana
Capítulo 1: Introducción al Aprendizaje Profundo
Pon a prueba tu comprensión de los conceptos fundamentales cubiertos en la primera parte de este libro con este cuestionario. Cada pregunta está diseñada para reforzar los puntos clave de cada capítulo, asegurando que tengas una comprensión sólida de los conceptos básicos del aprendizaje profundo y los modelos generativos.
Pregunta 1: Capas de Redes Neuronales
¿Cuáles son los principales tipos de capas en una red neuronal y cuáles son sus roles?
A) Capa de Entrada, Capas Ocultas, Capa de Salida
B) Capa Convolucional, Capa Recurrente, Capa de Pooling
C) Capa de Codificación, Capa de Decodificación, Capa de Atención
D) Capa Lineal, Capa de Activación, Capa de Dropout
Pregunta 2: Funciones de Activación
¿Cuál es la principal diferencia entre las funciones de activación Sigmoid y ReLU?
A) Sigmoid produce valores entre -1 y 1, ReLU produce valores entre 0 y 1
B) Sigmoid produce valores entre 0 y 1, ReLU produce la entrada si es positiva, de lo contrario, cero
C) Sigmoid se utiliza para clasificación, ReLU se utiliza para regresión
D) Sigmoid es no lineal, ReLU es lineal
Pregunta 3: Retropropagación
¿Por qué es importante la retropropagación en el entrenamiento de redes neuronales?
A) Transmite la entrada a través de la red
B) Inicializa los pesos de la red
C) Actualiza los pesos calculando el gradiente de la función de pérdida
D) Evalúa el rendimiento de la red en los datos de prueba
Pregunta 4: Funciones de Pérdida
¿Cuál de las siguientes es una función de pérdida comúnmente utilizada para tareas de clasificación binaria?
A) Error Cuadrático Medio (MSE)
B) Pérdida de Entropía Cruzada
C) Pérdida Hinge
D) Divergencia Kullback-Leibler
Pregunta 5: Sobreajuste
¿Qué es el sobreajuste y cómo puede mitigarse?
A) Cuando el modelo funciona bien en los datos de entrenamiento pero mal en datos nuevos; puede mitigarse usando una red más grande
B) Cuando el modelo funciona mal tanto en los datos de entrenamiento como en los datos nuevos; puede mitigarse usando más datos
C) Cuando el modelo funciona bien en los datos de entrenamiento pero mal en datos nuevos; puede mitigarse usando técnicas de regularización y aumento de datos
D) Cuando el modelo funciona bien en datos nuevos pero mal en los datos de entrenamiento; puede mitigarse usando parada temprana
Capítulo 1: Introducción al Aprendizaje Profundo
Pon a prueba tu comprensión de los conceptos fundamentales cubiertos en la primera parte de este libro con este cuestionario. Cada pregunta está diseñada para reforzar los puntos clave de cada capítulo, asegurando que tengas una comprensión sólida de los conceptos básicos del aprendizaje profundo y los modelos generativos.
Pregunta 1: Capas de Redes Neuronales
¿Cuáles son los principales tipos de capas en una red neuronal y cuáles son sus roles?
A) Capa de Entrada, Capas Ocultas, Capa de Salida
B) Capa Convolucional, Capa Recurrente, Capa de Pooling
C) Capa de Codificación, Capa de Decodificación, Capa de Atención
D) Capa Lineal, Capa de Activación, Capa de Dropout
Pregunta 2: Funciones de Activación
¿Cuál es la principal diferencia entre las funciones de activación Sigmoid y ReLU?
A) Sigmoid produce valores entre -1 y 1, ReLU produce valores entre 0 y 1
B) Sigmoid produce valores entre 0 y 1, ReLU produce la entrada si es positiva, de lo contrario, cero
C) Sigmoid se utiliza para clasificación, ReLU se utiliza para regresión
D) Sigmoid es no lineal, ReLU es lineal
Pregunta 3: Retropropagación
¿Por qué es importante la retropropagación en el entrenamiento de redes neuronales?
A) Transmite la entrada a través de la red
B) Inicializa los pesos de la red
C) Actualiza los pesos calculando el gradiente de la función de pérdida
D) Evalúa el rendimiento de la red en los datos de prueba
Pregunta 4: Funciones de Pérdida
¿Cuál de las siguientes es una función de pérdida comúnmente utilizada para tareas de clasificación binaria?
A) Error Cuadrático Medio (MSE)
B) Pérdida de Entropía Cruzada
C) Pérdida Hinge
D) Divergencia Kullback-Leibler
Pregunta 5: Sobreajuste
¿Qué es el sobreajuste y cómo puede mitigarse?
A) Cuando el modelo funciona bien en los datos de entrenamiento pero mal en datos nuevos; puede mitigarse usando una red más grande
B) Cuando el modelo funciona mal tanto en los datos de entrenamiento como en los datos nuevos; puede mitigarse usando más datos
C) Cuando el modelo funciona bien en los datos de entrenamiento pero mal en datos nuevos; puede mitigarse usando técnicas de regularización y aumento de datos
D) Cuando el modelo funciona bien en datos nuevos pero mal en los datos de entrenamiento; puede mitigarse usando parada temprana