---

quiz: true passing: 70

Cuestionario — Cómo se construye una red

Cuestionario de validación · Módulo 2 — Cómo se construye una red · Test individual

Contenidos evaluados: la neurona artificial como función, el papel de los pesos y el sesgo, las capas ocultas y las representaciones, las activaciones y logits, la propagación hacia adelante.

Instrucciones: 8 preguntas de opción múltiple. Una sola respuesta correcta por pregunta. La corrección detallada aparece después del envío.

Question 1

¿Qué es exactamente una neurona artificial?

• a) Una célula de cerebro miniatura de verdad que siente emociones
• b) Una pequeña función matemática que multiplica entradas, las suma, añade un sesgo y aplica una regla
• c) Un robot que piensa solo
• d) Una imagen de un gato

Question 2

Los pesos de una neurona se parecen a los controles de una mesa de mezclas. ¿Qué ajustan?

• a) El color del sonido
• b) La influencia (y el sentido) de cada entrada en la puntuación final
• c) El número de neuronas
• d) La hora del cálculo

Question 3

Bilal cambia solo el sesgo de su neurona. ¿Qué sucede?

• a) Nada en absoluto
• b) Desplaza el punto de partida del cálculo, la frontera de decisión, independientemente de las entradas
• c) Borra todas las entradas
• d) Convierte la neurona en una imagen

Question 4

¿Un peso muy grande sobre una entrada demuestra que esta entrada es la «causa» de la salida?

• a) Sí, un peso grande = una causa segura
• b) No: es un ajuste predictivo que depende de los datos y de los demás pesos, no una prueba de causa
• c) Sí, si el peso supera 100
• d) No, los pesos no sirven para nada

Question 5

Una red «MLP 4–5–3» trata un lote. ¿Qué significan estos números?

• a) 4 redes, 5 colores, 3 minutos
• b) 4 entradas, una capa oculta de 5 unidades y 3 salidas
• c) 4 segundos, 5 metros, 3 gramos
• d) La red se equivoca 453 veces

Question 6

¿Por qué se añade una activación no lineal (como ReLU) entre las capas?

• a) Para verse bonito
• b) Porque sin ella, apilar varias capas equivale a una sola transformación lineal, incapaz de motivos ricos
• c) Para ralentizar la red a propósito
• d) Porque ReLU añade colores

Question 7

Una salida Softmax indica 0,9 para una clase. ¿Es una garantía de que es la respuesta correcta?

• a) Sí, 0,9 es casi seguro, así que está garantizado
• b) No: es una puntuación normalizada, hay que verificar la calibración y el contexto en datos separados
• c) Sí, Softmax nunca se equivoca
• d) No, Softmax da siempre 0,5

Question 8

Durante la propagación hacia adelante, ¿qué les pasa a los pesos de la red?

• a) Se actualizan en cada casilla
• b) Sirven para el cálculo pero no cambian en este paso
• c) Desaparecen
• d) Duplican su valor

Corrigé

1. b — Una neurona artificial es una pequeña función: suma ponderada de las entradas, más un sesgo, y luego una activación. Ninguna emoción ni pensamiento oculto, a pesar de su nombre histórico.
2. b — Los pesos ajustan cuánto cuenta cada entrada, y en qué sentido (un peso negativo empuja en el otro sentido).
3. b — El sesgo se añade independientemente de las entradas y desplaza el umbral de decisión para todas las tarjetas a la vez.
4. b — Un peso grande refleja un ajuste para predecir bien; depende de los datos y de los demás parámetros, no es una prueba de causa.
5. b — MLP 4–5–3 significa 4 entradas, 5 unidades en la capa oculta y 3 salidas. Un lote B se convierte en B × 5 y luego en B × 3.
6. b — Sin no linealidad, varias capas densas se reducen a una sola línea recta. ReLU (conservar max(0, z)) permite fronteras más ricas.
7. b — El mayor valor de Softmax es una puntuación normalizada, no una frecuencia de acierto verificada. Hay que probar la calibración aparte.
8. b — La propagación hacia adelante usa los pesos actuales sin modificarlos: entrada → transformaciones → salida. Los pesos solo cambian más tarde, en el entrenamiento.