1.
Pregunta 1
¿A qué se refiere la analogía "AI es la nueva electricidad"?
Similar a la electricidad que comenzó hace unos 100 años, AI está transformando múltiples
industrias.
AI está alimentando dispositivos personales en nuestros hogares y oficinas, de forma
similar a la electricidad.
A través de la "red inteligente", AI está entregando una nueva ola de electricidad.
AI funciona con computadoras y, por lo tanto, funciona con electricidad, pero está
permitiendo que las computadoras hagan cosas que antes no eran posibles.
Pregunta 2
1
punto
2. Pregunta 2
¿Cuáles de estos son los motivos por los cuales Deep Learning recientemente
despegó? (Marque las tres opciones que aplican).
El aprendizaje profundo ha resultado en mejoras significativas en aplicaciones importantes
como publicidad en línea, reconocimiento de voz y reconocimiento de imágenes.
Las redes neuronales son un campo completamente nuevo.
Tenemos acceso a mucha más información.
Tenemos acceso a mucha más potencia computacional.
Pregunta 3
1
punto
3. Pregunta 3
Recuerde este diagrama de iteración sobre diferentes ideas ML. ¿Cuál de las siguientes
afirmaciones es verdadera? (Marque todo lo que corresponda.)
Poder probar ideas rápidamente permite a los ingenieros de aprendizaje profundo iterar
más rápidamente.
Una computación más rápida puede ayudar a acelerar el tiempo que tarda un equipo en
iterar a una buena idea.
Es más rápido entrenar en un gran conjunto de datos que un pequeño conjunto de datos.
El progreso reciente en algoritmos de aprendizaje profundo nos ha permitido entrenar
buenos modelos más rápido (incluso sin cambiar el hardware de CPU / GPU).
Pregunta 4
1
punto
4. Pregunta 4
Cuando un ingeniero con experiencia en aprendizaje profundo trabaja en un nuevo
problema, generalmente puede usar la información de problemas previos para entrenar a
un buen modelo en el primer intento, sin necesidad de iterar varias veces a través de
diferentes modelos. ¿Verdadero Falso?
Cierto
Falso
Pregunta 5
1
punto
5. Pregunta 5
¿Cuál de estos gráficos representa una función de activación ReLU?
Figura 1:
Figura 2:
Figura 3:
Figura 4:
Pregunta 6
1
punto
6. Pregunta 6
Las imágenes para reconocimiento de gato son un ejemplo de datos "estructurados", ya
que se representan como una matriz estructurada en una computadora. ¿Verdadero
Falso?
Cierto
Falso
Pregunta 7
1
punto
7. Pregunta 7
Un conjunto de datos demográficos con estadísticas sobre la población de diferentes
ciudades, el PIB per cápita, el crecimiento económico es un ejemplo de datos "no
estructurados" porque contiene datos provenientes de diferentes fuentes. ¿Verdadero
Falso?
Cierto
Falso
Pregunta 8
1
punto
8. Pregunta 8
¿Por qué se usa una RNN (Red Neuronal Recurrente) para la traducción automática, por
ejemplo, la traducción del inglés al francés? (Marque todo lo que corresponda.)
Se puede entrenar como un problema de aprendizaje supervisado.
Es estrictamente más poderoso que una red neuronal convolucional (CNN).
Es aplicable cuando la entrada / salida es una secuencia (por ejemplo, una secuencia de
palabras).
Las RNN representan el proceso recurrente de Idea-> Code-> Experiment-> Idea -> ....
Pregunta 9
1
punto
9. Pregunta 9
En este diagrama que dibujamos a mano en conferencia, ¿qué representan el eje
horizontal (eje x) y el eje vertical (eje y)?
eje x es la cantidad de datos
El eje y (eje vertical) es el rendimiento del algoritmo.
eje x es el rendimiento del algoritmo
eje y (eje vertical) es la cantidad de datos.
eje x es la cantidad de datos
El eje y es el tamaño del modelo que entrena.
eje x es la entrada al algoritmo
el eje y es salidas.
Pregunta 10
1
punto
10. Pregunta 10
Suponiendo que las tendencias descritas en la figura de la pregunta anterior son precisas
(y esperando que tenga las etiquetas del eje correctas), ¿cuál de las siguientes
afirmaciones es verdadera? (Marque todo lo que corresponda.)
Aumentar el tamaño de una red neuronal generalmente no afecta el rendimiento de un
algoritmo, y puede ayudar significativamente.
Disminuir el tamaño de una red neuronal generalmente no afecta el rendimiento de un
algoritmo, y puede ayudar significativamente.
Disminuir el tamaño del conjunto de entrenamiento generalmente no afecta el rendimiento
de un algoritmo, y puede ayudar significativamente.
Aumentar el tamaño del conjunto de entrenamiento generalmente no afecta el rendimiento
de un algoritmo, y puede ayudar significativamente.
