a75d067fa44bca815126dbf606a73907c9e68f1cd892d413424edfa84a0d4058
Studied by 0 people
Learn
Practice Test
Spaced Repetition
Match
Flashcards1/20
There's no tags or description
Looks like no tags are added yet.
Name | Mastery | Learn | Test | Matching | Spaced |
|---|
No study sessions yet.
21 Terms
¿Qué es la entrada neta de una neurona?
El sumatorio desde i=1 hasta n del producto de Wij multiplicado por Ij
La suma de las entradas a la neurona ponderadas por los pesos de la misma
Las siguientes Funciones de Activación son
Sigmoidea, Escalón y Tangente hiperbólica
ReLU es una función
No lineal
Continua
En una neurona, los pesos representan
La ponderación de las conexiones entrantes a la neurona
Un modelo de Machine Learning se programa explícitamente para resolver el problema dado.
Falso
A la IA Subsimbólica también se la conoce como "Soft Computing" porque
Es una computación "aproximada", menos precisa y más rápida que los modelos matemáticos formales
Los modelos neuronales de aprendizaje supervisado
Pueden ser feedforward o feedback
Características de una Red Neuronal
Son capaces de trabajar con datos incompletos
Poseen propiedades emergentes
IA subsimbólica es biocomputación porque
Las sociedades animales, los virus y el cerebro se usan para desarrollar algoritmos de cómputo
El procesamiento simbólico representa un modelo de la mente, del SW con el que pensamos, mientras que el subsimbólico representa un modelo del cerebro, del HW con el que pensamos
Verdadero
De los siguientes procesos ¿Cuáles son parte del proceso de la información que tiene lugar en una neurona?
Suma ponderada de las entradas: para la neurona j, sería ∑WijIi
Cálculo de la Función de Activación
De la definición de Machine Learning y Deep Learning podemos deducir que
Uno (Deep Learning) está contenido en el otro (Machine Learning)
¿Cuáles de los siguientes hechos son ciertos?
McCulloch y Pitts proponen el modelo formal de neurona artificial
El modelo de red de Kohonen está basado en los trabajos previos de Von der Malsburg
Los pesos en una Red Neuronal Artificial
Pueden adoptar valores positivos y negativos.
Se modifican durante el entrenamiento.
Ponderan las conexiones entre las distintas neuronas de una red.
Los modelos difusivos y los modelos generativos son tipos de Machine Learning no Neuronal.
Falso.
En Machine Learning, learning significa generalizar comportamientos mediante detección de patrones en la información suministrada en forma de ejemplos.
Verdadero.
El aprendizaje en una red neuronal, independientemente del tipo que sea, modifica la matriz de pesos del modelo.
Verdadero.
La IA subsimbólica
Está basada en modelos biológicos complejos.
Son herramientas de software diseñadas para estimar relaciones entre datos.
Son aproximaciones basadas en procesamiento de señales/datos.
Los modelos de Machine Learning son todos modelos subsimbólicos
Falso
En Machine Learning, los modelos de aprendizaje supervisado resuelven problemas de
Clasificación y Regresión
El aprendizaje por refuerzo es un tipo de aprendizaje supervisado
Falso