quiz: true passing: 70

Cuestionario — Entender el aprendizaje profundo

Cuestionario de validación · Módulo 1 — Entender el aprendizaje profundo · Test individual

Contenidos evaluados: diferencia entre IA, aprendizaje automático y aprendizaje profundo, por qué apilar varias capas, los tensores y su forma, los lotes y la mezcla de los ejemplos.

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

Question 1

Un temporizador de cocina suena después de 10 minutos porque le escribieron una regla fija. ¿Es aprendizaje automático?

a) Sí, todo objeto que hace una acción es una IA que aprende
b) No, sigue una regla escrita de antemano y no aprende nada de ejemplos
c) Sí, porque cuenta el tiempo solo
d) No, porque no tiene pantalla

Question 2

¿Cómo se ordenan la IA, el aprendizaje automático y el aprendizaje profundo?

a) Tres cosas completamente separadas y sin ninguna relación
b) El aprendizaje profundo es el conjunto más grande, la IA está dentro
c) Como tres cajas encajadas: la IA fuera, el aprendizaje automático dentro, el aprendizaje profundo aún más al centro
d) El aprendizaje automático contiene la IA

Question 3

Para reconocer una casa, una red profunda suele empezar por detectar pequeños bordes, luego esquinas y después ventanas. ¿Por qué apilar capas?

a) Para que cada capa reutilice el resultado de la anterior y componga motivos cada vez más ricos
b) Porque cuantas más capas, siempre es mejor, sin excepción
c) Para que la red se vea más bonita al dibujarla
d) Porque una sola capa está prohibida por la ley

Question 4

¿Cuantas más capas tiene una red, siempre es mejor?

a) Sí, siempre
b) No: la profundidad añade potencia pero también dificultades, y hay que compararla con una solución simple
c) Sí, en cuanto pasa de 10 capas
d) No, una red profunda nunca funciona

Question 5

Nora organiza el clima de 3 ciudades durante 4 días con 2 medidas. ¿Cuál es la «forma» de su caja de números (tensor)?

a) 24 × 1
b) 2 × 2 × 2
c) 3 × 4 × 2
d) 9

Question 6

Dos tensores contienen exactamente los mismos 24 números. ¿Son necesariamente idénticos para el ordenador?

a) Sí, mismos números = misma cosa
b) No: su forma y el sentido de sus ejes pueden ser diferentes
c) Sí, si tienen el mismo color
d) No, solo si pesan lo mismo

Question 7

Luis aprende una regla mirando paquetes de 5 tarjetas en vez de los 40 a la vez. Estos paquetitos se llaman…

a) tensores
b) etiquetas
c) mini-lotes (batches)
d) épocas

Question 8

El primer paquete de tarjetas contiene por casualidad únicamente rayas. ¿Por qué es mejor mezclar las tarjetas antes de hacer los paquetes?

a) Para que los paquetes sean más variados y la corrección no se engañe por un orden raro
b) Porque mezclar hace que las tarjetas se vean más bonitas
c) Para perder tiempo a propósito
d) Nunca hay que mezclar, el orden no tiene ninguna importancia

Corrigé

b — Un temporizador sigue una regla escrita a mano: automatiza sin aprender. No todo lo que «hace una acción» es una IA que aprende.
c — La IA es el gran campo, el aprendizaje automático está dentro, y el aprendizaje profundo aún más al centro: tres cajas encajadas.
a — Cada capa transforma el resultado de la anterior, lo que permite componer bordes en esquinas y luego en ventanas. Los motivos se construyen por capas.
b — Más profundo no es automáticamente mejor: hacen falta suficientes datos, un entrenamiento estable y siempre comparar con una línea base simple.
c — Tres ciudades, cuatro días, dos medidas dan la forma 3 × 4 × 2 si los ejes están en ese orden.
b — Mismos números no significa mismo sentido: la forma y el significado de los ejes cuentan tanto como los valores.
c — Un pequeño grupo de ejemplos tratado en conjunto es un mini-lote (batch). El dataset es la colección completa.
a — Mezclar evita paquetes sistemáticamente desequilibrados (¡solo rayas!), que darían correcciones engañosas, salvo cuando el orden del tiempo contiene una información que preservar.