Cuestionario: Fundamentos del Aprendizaje Profundo

1. A) Capa de Entrada, Capas Ocultas, Capa de Salida
2. B) Sigmoid produce valores entre 0 y 1, ReLU produce la entrada si es positiva, de lo contrario, cero
3. C) Actualiza los pesos calculando el gradiente de la función de pérdida
4. B) Pérdida de Entropía Cruzada
5. 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
6. C) Los modelos generativos aprenden P(X,Y), los modelos discriminativos aprenden P(Y∣X)

   P(X,Y)P(X, Y)

   P(Y∣X)P(Y|X)

7. B) Generador y Discriminador
8. B) El codificador mapea los datos de entrada a un espacio latente, el decodificador genera nuevos datos a partir del espacio latente
9. B) Generando un punto de datos a la vez, condicionado a los puntos anteriores
10. B) Proporcionan estimación exacta de la verosimilitud y muestreo eficiente

Este cuestionario cubre los conceptos básicos a intermedios introducidos en la primera parte del libro y te ayudará a solidificar tu comprensión de las características centrales del aprendizaje profundo y los modelos generativos.

1. A) Capa de Entrada, Capas Ocultas, Capa de Salida
2. B) Sigmoid produce valores entre 0 y 1, ReLU produce la entrada si es positiva, de lo contrario, cero
3. C) Actualiza los pesos calculando el gradiente de la función de pérdida
4. B) Pérdida de Entropía Cruzada
5. 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
6. C) Los modelos generativos aprenden P(X,Y), los modelos discriminativos aprenden P(Y∣X)

   P(X,Y)P(X, Y)

   P(Y∣X)P(Y|X)

7. B) Generador y Discriminador
8. B) El codificador mapea los datos de entrada a un espacio latente, el decodificador genera nuevos datos a partir del espacio latente
9. B) Generando un punto de datos a la vez, condicionado a los puntos anteriores
10. B) Proporcionan estimación exacta de la verosimilitud y muestreo eficiente

Este cuestionario cubre los conceptos básicos a intermedios introducidos en la primera parte del libro y te ayudará a solidificar tu comprensión de las características centrales del aprendizaje profundo y los modelos generativos.

1. A) Capa de Entrada, Capas Ocultas, Capa de Salida
2. B) Sigmoid produce valores entre 0 y 1, ReLU produce la entrada si es positiva, de lo contrario, cero
3. C) Actualiza los pesos calculando el gradiente de la función de pérdida
4. B) Pérdida de Entropía Cruzada
5. 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
6. C) Los modelos generativos aprenden P(X,Y), los modelos discriminativos aprenden P(Y∣X)

   P(X,Y)P(X, Y)

   P(Y∣X)P(Y|X)

7. B) Generador y Discriminador
8. B) El codificador mapea los datos de entrada a un espacio latente, el decodificador genera nuevos datos a partir del espacio latente
9. B) Generando un punto de datos a la vez, condicionado a los puntos anteriores
10. B) Proporcionan estimación exacta de la verosimilitud y muestreo eficiente

Este cuestionario cubre los conceptos básicos a intermedios introducidos en la primera parte del libro y te ayudará a solidificar tu comprensión de las características centrales del aprendizaje profundo y los modelos generativos.

1. A) Capa de Entrada, Capas Ocultas, Capa de Salida
2. B) Sigmoid produce valores entre 0 y 1, ReLU produce la entrada si es positiva, de lo contrario, cero
3. C) Actualiza los pesos calculando el gradiente de la función de pérdida
4. B) Pérdida de Entropía Cruzada
5. 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
6. C) Los modelos generativos aprenden P(X,Y), los modelos discriminativos aprenden P(Y∣X)

   P(X,Y)P(X, Y)

   P(Y∣X)P(Y|X)

7. B) Generador y Discriminador
8. B) El codificador mapea los datos de entrada a un espacio latente, el decodificador genera nuevos datos a partir del espacio latente
9. B) Generando un punto de datos a la vez, condicionado a los puntos anteriores
10. B) Proporcionan estimación exacta de la verosimilitud y muestreo eficiente

Este cuestionario cubre los conceptos básicos a intermedios introducidos en la primera parte del libro y te ayudará a solidificar tu comprensión de las características centrales del aprendizaje profundo y los modelos generativos.