Guía Examen: Unidad 3

Test

Parties jouées 15

Créer une copie

À propos de cette activité

Cuestionario breve sobre la unidad 3.

Créé par

Areli Valadez

Mexico

Téléchargez la version pour jouer sur papier

Top 10 résultats

#	Jeux	Précision	temps
1	mely 2 Décembre 2025	% 65	17:10
2	Areli Valadez 2 Décembre 2025	% 24	05:18

Voulez-vous apparaître dans le Top 10 de ce jeu? Connectez-vous pour vous identifier.

Créez votre propre jeu gratuite à partir de notre créateur de jeu

Affrontez vos amis pour voir qui obtient le meilleur score dans ce jeu

Créer un défi

Tissues - Practice Quiz

Benjamin D Morgan

United States

(16)

Tissues - Practice Quiz
Spanish Alphabet Listening

Falkenberg Falkenberg

United States

(90)

Spanish alphabet, listening-based assessment
Photosynthesis vs Cellular Respiration - Practice Quiz

Benjamin D Morgan

United States

(39)

Photosynthesis vs Cellular Respiration - Practice Quiz
Practice Quiz - Punnett Square, Variation, and Mutations

Benjamin D Morgan

United States

(14)

Practice Quiz - Punnett Square, Variation, and Mutations
UPS 5 Seeing Habits Quiz

Heather Bell

United States

(13)

Test your knowledge about the 5 seeing habits discussed in the text 'UPS 5 seeing habits'.

		%
	Anonyme	%
		%
		%

Imprimez votre jeu

Guía Examen: Unidad 3


Guía Examen: Unidad 3Version en ligne Cuestionario breve sobre la unidad 3. par Areli Valadez 1 ¿Cuál es la principal diferencia entre la Regresión Lineal Simple y la Regresión Lineal Múltiple? a La Múltiple utiliza más de una variable independiente (predictora) para predecir la variable dependiente, y la Simple solo una. b La Simple solo se aplica a conjuntos de datos lineales, mientras que la Múltiple puede modelar datos no lineales c La Regresión Lineal Simple utiliza un modelo de clasificación, mientras que la Múltiple utiliza uno de regresión. d La Regresión Lineal Simple utiliza una función de costo Logística, y la Múltiple una función de costo de Mínimos Cuadrados. 2 ¿Para qué sirve principalmente un modelo de Regresión Lineal? a Predecir un valor numérico continuo (ej. precio de una casa o temperatura). b Agrupar datos similares sin etiquetas previas (Clustering). c Reducir la dimensionalidad de un conjunto de datos. d Clasificar observaciones en categorías discretas (ej. 'Sí' o 'No'). 3 ¿Cómo se representan los pesos en una red neuronal? a Como la función de activación aplicada a la neurona. b Como un valor constante fijo para toda la red. c Como los valores de entrada de la capa actual. d Como la fuerza o importancia de la conexión sináptica entre dos neuronas. 4 ¿Qué representa el sesgo (b) en una neurona y con qué símbolo se representa comúnmente en las fórmulas? a La tasa de aprendizaje alpha; se representa con alpha. b Un valor que permite desplazar la función de activación (intercepto); se representa con b c El valor de la entrada; se representa con x d La suma de los pesos; se representa con Sigma w. 5 ¿Qué es una época ('epoch') en el contexto del entrenamiento de una red neuronal? a El número de capas ocultas en la red neuronal. b Una sola iteración de la propagación hacia adelante (Forward Propagation). c Una sola actualización de los pesos utilizando el algoritmo Backpropagation d Una pasada completa de todo el conjunto de datos de entrenamiento a través de la red neuronal. 6 El proceso de Propagación hacia Adelante en una red neuronal es: a El proceso de normalización de los datos de entrada. b La fase donde se calcula la función de costo (o pérdida). c La fase donde se ajustan los pesos basándose en el error calculado. d El cálculo y paso de las activaciones desde la capa de entrada hasta la capa de salida. 7 El objetivo principal del algoritmo de Propagación hacia Atrás en el entrenamiento de una red neuronal es: a Calcular la predicción final de la red. b Ajustar los hiperparámetros de la red (como la tasa de aprendizaje) basándose en la salida. c Calcular el gradiente de la función de costo con respecto a los pesos para minimizarlos. d Añadir una capa de regularización a la red para evitar el sobreajuste. 8 ¿Para qué sirve la función de costo (o pérdida) en un modelo de Regresión Lineal? a Aumentar la complejidad del modelo para capturar relaciones no lineales. b Ajustar el sesgo de la recta de regresión c Determinar si el modelo debe ser Simple o Múltiple. d Medir la calidad del modelo cuantificando la diferencia (error) entre los valores predichos y los valores reales. 9 En el contexto de la programación de una Regresión Lineal Simple, ¿qué es un ejemplo del código para inicializar un modelo en una librería común como scikit-learn? a model = LogisticRegression() b model = KNeighborsClassifier() c model = LinearRegression() d model.fit(X, y) 10 ¿Cuál es la función del método .fit() en Keras? a Se utiliza para devolver las predicciones del modelo. b Se utiliza para configurar el proceso de aprendizaje del modelo. c Se utiliza para entrenar un modelo con un conjunto de datos. d Se utiliza para evaluar el rendimiento del modelo en un conjunto de prueba. 11 ¿Qué hace el parámetro epochs en el método fit()? a Determina el número de muestras en cada mini lote (batch_size). b Define la tasa de aprendizaje del optimizador (learning_rate). c Indica la fracción del conjunto de datos a usar como validación (validation_split). d Se refiere al número de veces que el modelo debe iterar sobre todo el conjunto de datos de entrenamiento 12 ¿Cuál es el propósito del argumento metrics dentro del método compile()? a Define la función de pérdida (loss function) que se minimiza. b Especifica el optimizador que se utilizará para el Descenso de Gradiente. c Define qué métricas se calcularán y mostrarán durante el entrenamiento y la evaluación d Establece el número de neuronas en la capa de salida 13 La principal diferencia entre la API Sequential y la Functional API de Keras es: a Sequential es para modelos de clasificación, y Functional API para modelos de regresión b Sequential solo permite guardar los pesos, mientras que Functional API guarda toda la estructura del modelo. c Sequential requiere que los datos sean bidimensionales (Conv2D) y Functional API permite datos unidimensionales (Conv1D) d Sequential es más simple para modelos lineales capa por capa, y Functional API permite crear grafos dirigidos acíclicos más flexibles (múltiples entradas/salidas, capas compartidas). 14 ¿Qué define el parámetro $units$ en una capa Dense? a El tamaño del lote que se usa durante el entrenamiento (batch_size). b El número de capas ocultas en la red. c El número de neuronas en la capa, definiendo la dimensión del vector de salida de la capa. d La función de activación que se aplica a la salida de la capa (activation). 15 ¿Qué hace la capa Dropout() y cuál es el significado de su parámetro rate? Escoge una o varias respuestas a Normaliza la salida de las capas; rate es el factor de normalización b Reduce la dimensionalidad de las imágenes (Pooling); rate es el tamaño de la ventana de reducción. c Establece aleatoriamente unidades de entrada a cero para prevenir el sobreajuste; rate representa la fracción de unidades que se descartarán. d Añade convolución a la entrada; rate es el tamaño del kernel de convolución. 16 El parámetro filters en una capa convolucional representa: a La cantidad de datos de entrenamiento utilizados en cada época. b La altura y anchura de la ventana de convolución (kernel_size). c El número de dimensiones espaciales sobre las que opera la convolución (1D, 2D, 3D). d La dimensión del espacio de salida, es decir, el número de filtros en la convolución. 17 En capas convolucionales, ¿cuál es la diferencia entre padding= ′valid′ y padding= ′same′? a 'same' se usa para el entrenamiento y 'valid' para la evaluación. b 'valid' realiza un relleno (padding) circular, y 'same' realiza un relleno con ceros. c 'valid' es para Conv1D y 'same' es para Conv2D. d 'same' rellena la entrada para que la salida tenga el mismo tamaño que la entrada; 'valid' no rellena, y la salida será más pequeña.

Vous pouvez intégrer le jeu dans un LMS compatible avec LTI 1.1 ou LTI 1.3 comme Canvas, Moodle ou Blackboard. Les scores seront ainsi automatiquement enregistrés dans le carnet de notes de la plateforme.

Guía Examen: Unidad 3

Test

À propos de cette activité

Créé par

Téléchargez la version pour jouer sur papier

Top Jeux

Test

Tissues - Practice Quiz

Test

Spanish Alphabet Listening

Test

Photosynthesis vs Cellular Respiration - Practice Quiz

Test

Practice Quiz - Punnett Square, Variation, and Mutations

Test

UPS 5 Seeing Habits Quiz

Guía Examen: Unidad 3Version en ligne

par Areli Valadez

¿Cuál es la principal diferencia entre la Regresión Lineal Simple y la Regresión Lineal Múltiple?

¿Para qué sirve principalmente un modelo de Regresión Lineal?

¿Cómo se representan los pesos en una red neuronal?

¿Qué representa el sesgo (b) en una neurona y con qué símbolo se representa comúnmente en las fórmulas?

¿Qué es una época ('epoch') en el contexto del entrenamiento de una red neuronal?

El proceso de Propagación hacia Adelante en una red neuronal es:

El objetivo principal del algoritmo de Propagación hacia Atrás en el entrenamiento de una red neuronal es:

¿Para qué sirve la función de costo (o pérdida) en un modelo de Regresión Lineal?

En el contexto de la programación de una Regresión Lineal Simple, ¿qué es un ejemplo del código para inicializar un modelo en una librería común como scikit-learn?

¿Cuál es la función del método .fit() en Keras?

¿Qué hace el parámetro epochs en el método fit()?

¿Cuál es el propósito del argumento metrics dentro del método compile()?

La principal diferencia entre la API Sequential y la Functional API de Keras es:

¿Qué define el parámetro $units$ en una capa Dense?

¿Qué hace la capa Dropout() y cuál es el significado de su parámetro rate?

Escoge una o varias respuestas

El parámetro filters en una capa convolucional representa:

En capas convolucionales, ¿cuál es la diferencia entre padding= ′valid′ y padding= ′same′?