IA y ML - Conceptos Clave

Froggy Jumps

Parties jouées 4

Créer une copie

À propos de cette activité

Quiz de IA y ML

Créé par

Isaac Gallegos

Mexico

Téléchargez la version pour jouer sur papier

Top 10 résultats

Il n'y a toujours pas de résultats pour ce jeu. Soyez le premier à apparaître dans le classement! 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

		%
	Anonyme	%
		%
		%

Imprimez votre jeu

IA y ML - Conceptos Clave


Froggy Jumps IA y ML - Conceptos ClaveVersion en ligne Quiz de IA y ML par Isaac Gallegos 1 ¿Qué es IA según la definición del curso? a Campo que desarrolla métodos y aplicaciones para reproducir capacidades cognitivas en máquinas. b Disciplina que estudia/desarrolla teorías, tecnología y aplicaciones que simulan/amplían la intelige c Disciplina que estudia sistemas que imitan la inteligencia humana mediante algoritmos y datos. 2 Menciona 3 cosas que se espera que te lleves del curso. a (Ejemplos válidos) historia/actualidad de IA, algoritmos comunes y fundamentos, uso de herramientas b Entender historia de IA, algoritmos comunes y considerar limitantes y aspectos éticos al desplegar. c Conocer fundamentos de IA y aprender a usar herramientas para implementar modelos en plataformas. 3 ¿Qué es Aprendizaje Automático (ML) dentro de IA? a Conjunto de métodos que ajustan un modelo con datos para mejorar su desempeño en una tarea. b Subcampo que desarrolla algoritmos que aprenden a resolver problemas analizando datos y encontrando c Subárea de IA enfocada en aprender patrones desde ejemplos para hacer predicciones o decisiones. 4 ¿Qué es TinyML (en el contexto del curso)? a ML desplegado en el borde con bajo consumo y ejecución local para tareas “always-on”. b Implementación de modelos pequeños optimizados para correr en microcontroladores y sensores. c ML en sistemas embebidos: análisis de sensores «en el dispositivo» con consumo muy bajo (mW), ideal 5 Da 2 preocupaciones éticas que se mencionan. a Riesgos de privacidad y efectos sociales como desplazamiento laboral o manipulación. b Privacidad/intimidad, pérdida de trabajo, control de IA, manipulacion/engaño, etc. c Impactos como vigilancia, pérdida de control y posibles usos engañosos o discriminatorios. 6 ¿Qué significa “Garbage in → Garbage out” en ML? a La calidad y representatividad del dataset determinan la calidad de las salidas del modelo. b Si los datos son malos/no representativos, el modelo aprende mal y produce resultados pobres o injus c Si entrenas con datos deficientes, el modelo aprende patrones incorrectos y falla al predecir. 7 ¿Qué problema causa falta de diversidad geográfica en datos? a Sesgo/mismatch con la realidad y resultados inexactos o discriminatorios. b El modelo generaliza mal fuera del lugar donde se recolectaron los datos y se sesga. c Se genera un desajuste entre dataset y realidad, produciendo errores sistemáticos en otras regiones. 8 ¿Qué retos aparecen en AI for Social Good (AI4SG)? a Problemas por desbalance de datos y restricciones de memoria/cómputo al desplegar en campo. b Desafíos por datos escasos y modelos que deben correr en hardware limitado sin sesgos. c Datos limitados, desbalances geográficos, sesgo, memoria y cómputo limitados. 9 Clasifica: ML supervisado vs no supervisado (ejemplos). a Supervisado: clasificación/regresión (p.ej., regresión logística, regresión lineal). No supervisado: b Supervisado: clasificación y regresión; No supervisado: clustering como k-means o jerárquico. c Supervisado: aprende con etiquetas para predecir clases/valores; No supervisado: agrupa por similitu 10 ¿Qué etapas aparecen en “Data Engineering” del curso? a Definir requisitos, recolectar datos, depurarlos/refinarlos y mantener el pipeline en el tiempo. b Requirements y Gathering, seguido de Refinement y Sustainment para operación continua. c Requirements → Gathering → Refinement → Sustainment. 11 ¿Por qué es importante “feature selection”? (2 razones) a Disminuye complejidad y puede evitar overfitting al quedarte con variables relevantes. b Reduce dimensionalidad y ruido, haciendo el modelo más simple y rápido y mejorando generalización. c Simplifica modelos/interpretación, reduce tiempo de entrenamiento, evita curse of dimensionality, me 12 ¿Qué incluye el preprocesamiento de datos (según la diapositiva)? a Normalizar/estandarizar y reducir dimensionalidad para mejorar entrenamiento y rendimiento. b Limpieza de datos, estandarización, reducción de dimensionalidad. c Limpieza y transformación de datos para que sean comparables y manejables por el modelo. 13 Diferencia entre parámetros e hiperparámetros. a Parámetros: los aprende automáticamente el modelo; hiperparámetros: se fijan manualmente y controlan b Los parámetros se aprenden de los datos; los hiperparámetros controlan arquitectura/entrenamiento. c Parámetros se ajustan durante el entrenamiento; hiperparámetros configuran el proceso y se eligen an 14 ¿Qué es gradiente descendiente y qué representa η? a Método iterativo para minimizar pérdida moviéndose según la pendiente; η es la tasa de aprendizaje. b Método de entrenamiento que usa la dirección del gradiente negativo; η es la learning rate. c Algoritmo de optimización que actualiza pesos en dirección opuesta al gradiente; η controla el tamañ 15 Explica underfitting vs overfitting (en 1 línea). a Underfitting: alto sesgo; Overfitting: alta varianza por exceso de complejidad. b Underfitting: no aprende patrones (capacidad insuficiente); Overfitting: aprende ruido (capacidad ex c Underfitting: modelo demasiado simple que no captura patrón; Overfitting: modelo que memoriza ruido 16 ¿Qué pasa con el error de entrenamiento vs test cuando crece la complejidad? a Entrenamiento suele disminuir; prueba disminuye y luego empeora por sobreajuste. b El error de test tiene un mínimo a complejidad intermedia mientras el de train baja continuamente. c Training error baja; test error baja hasta cierto punto y luego sube (curva convexa). 17 ¿Cómo es el proceso general de búsqueda de hiperparámetros? a Separar datasets para no “contaminar” el test mientras se exploran configuraciones en val. b Dividir train/val/test; optimizar parámetros con train; buscar hiperparámetros con val; evaluar con c Entrenar con train, ajustar hiperparámetros con validación y reportar desempeño final en test. 18 ¿Qué caracteriza a un “buen modelo” según la diapositiva? a Buen desempeño fuera de entrenamiento, interpretabilidad y eficiencia en inferencia. b Que funcione bien en datos nuevos, sea entendible y haga predicciones rápido. c Generalización, explicabilidad y velocidad de predicción. 19 ¿Cómo se relacionan IA, ML y DL? a DL ∈ ML ∈ IA (DL es subconjunto de ML, ML de IA). b Deep Learning está dentro de Machine Learning, y este dentro de Inteligencia Artificial. c IA incluye ML, y DL es un tipo de ML basado en redes profundas. 20 ¿Qué significa “DL end-to-end learning”? a Aprendizaje donde la red extrae representaciones automáticamente a lo largo de todo el pipeline. b Entrenar un modelo que aprende directamente de entrada a salida sin diseñar manualmente tantas featu c DL aprende representaciones/“features” de forma automática en el flujo completo (sin tanta selección 21 ¿Por qué “más features” NO siempre es mejor? a Aumenta complejidad y espacio de búsqueda, y features irrelevantes pueden interferir; la selección a b Incrementa complejidad y puede empeorar desempeño si introduces variables que no aportan. c Features irrelevantes agregan ruido y aumentan dimensionalidad, afectando entrenamiento y generaliza 22 ¿Qué es una DNN/FNN? a Red feedforward/densa: señales fluyen de entrada a salida, con capas ocultas, sin retroalimentación b Arquitectura feedforward con capas ocultas y conexiones densas sin bucles globales. c Red neuronal densa donde la información viaja hacia adelante por capas hasta la salida. 23 CNN: ¿qué es “local receptive field”? a Cada neurona ve una región local y la información se combina para formar lo global. b Ventana local de entrada que una neurona observa antes de combinarse en capas posteriores. c Propiedad donde neuronas responden a una zona pequeña y cercana del input. 24 CNN: ¿qué es “parameter sharing”? a Se reutilizan los mismos pesos/filtros (kernels) al escanear la imagen; el kernel mantiene parámetro b Usar el mismo filtro/kernel en diferentes posiciones para detectar el mismo patrón en toda la imagen c Reutilizar pesos en la convolución para reducir parámetros y mejorar eficiencia. 25 En redes neuronales: define Epoch y Batch. a Epoch: pasada completa por el dataset; Batch: conjunto de N muestras antes de actualizar parámetros b Epoch: pasada completa; Batch: N muestras por paso de actualización (batch size es hiperparámetro). c Epoch: recorrido por todo el conjunto de datos una vez; Batch: subconjunto usado por actualización d 26 ¿Qué tipo de cuantización “usual” se menciona y qué significa? a Post-training quantization: convertir pesos/activaciones tras entrenamiento a menor precisión. b Cuantizar un modelo después de entrenarlo para reducir tamaño y acelerar inferencia. c PTQ (Post-training Quantization): cuantizar después de entrenar el modelo. 27 Diferencia clave: TensorFlow vs TensorFlow Lite (según la tabla). a TF completo es más general y pesado; TFLite está optimizado para dispositivos con recursos limitados b TensorFlow Lite prioriza tamaño binario y es más “edge”; TensorFlow completo es más pesado y general c TF Lite es una versión enfocada en edge con binarios más pequeños que TF completo. 28 En “MODEL”: ¿qué soporta TF vs TFLite vs TFLite Micro? a Entrenamiento solo en TF; inferencia en los tres, con TFLM optimizado para microcontroladores. b TF entrena e infiere; TFLite y TFLM se enfocan en inferencia, siendo TFLM el más eficiente. c Training: TF sí, TFLite no, TFLM no; Inference: los 3 sí, pero TFLM más eficiente. 29 En “HARDWARE”: ¿cómo cambian tamaño binario y memoria base? a TF es el más pesado; TFLite es más compacto; TFLM es el más ligero en binario y RAM. b TF ~MBs; TFLite ~100KB y ~300KB; TFLM ~10KB y ~20KB (orden de magnitud). c TF ocupa MBs; TFLite reduce a cientos de KB; TFLM baja a decenas de KB (orden de magnitud). 30 Flujo de uso de TFL Micro: ¿qué bloques aparecen? a Definir OpResolver, usar Interpreter, cargar input, Invoke, obtener output y actuar. b Definir ops (OpResolver) → cargar modelo en el Interpreter → meter Input Data → Invoke() → leer Outp c Resolver operaciones, cargar modelo, alimentar entrada, invocar y leer salida para ejecutar una acci

IA y ML - Conceptos Clave

Froggy Jumps

À propos de cette activité

Créé par

Téléchargez la version pour jouer sur papier

Top Jeux

Froggy Jumps

Ethos, Pathos, and Logos Quiz

Froggy Jumps

Phlebotomy Order of Draw Quiz

Froggy Jumps

The Integumentary System

Froggy Jumps

pizza

Froggy Jumps

Bill of Rights Game - The Constitutionalist

Froggy Jumps

IA y ML - Conceptos ClaveVersion en ligne

par Isaac Gallegos

¿Qué es IA según la definición del curso?

Menciona 3 cosas que se espera que te lleves del curso.

¿Qué es Aprendizaje Automático (ML) dentro de IA?

¿Qué es TinyML (en el contexto del curso)?

Da 2 preocupaciones éticas que se mencionan.

¿Qué significa “Garbage in → Garbage out” en ML?

¿Qué problema causa falta de diversidad geográfica en datos?

¿Qué retos aparecen en AI for Social Good (AI4SG)?

Clasifica: ML supervisado vs no supervisado (ejemplos).

¿Qué etapas aparecen en “Data Engineering” del curso?

¿Por qué es importante “feature selection”? (2 razones)

¿Qué incluye el preprocesamiento de datos (según la diapositiva)?

Diferencia entre parámetros e hiperparámetros.

¿Qué es gradiente descendiente y qué representa η?

Explica underfitting vs overfitting (en 1 línea).

¿Qué pasa con el error de entrenamiento vs test cuando crece la complejidad?

¿Cómo es el proceso general de búsqueda de hiperparámetros?

¿Qué caracteriza a un “buen modelo” según la diapositiva?

¿Cómo se relacionan IA, ML y DL?

¿Qué significa “DL end-to-end learning”?

¿Por qué “más features” NO siempre es mejor?

¿Qué es una DNN/FNN?

CNN: ¿qué es “local receptive field”?

CNN: ¿qué es “parameter sharing”?

En redes neuronales: define Epoch y Batch.

¿Qué tipo de cuantización “usual” se menciona y qué significa?

Diferencia clave: TensorFlow vs TensorFlow Lite (según la tabla).

En “MODEL”: ¿qué soporta TF vs TFLite vs TFLite Micro?

En “HARDWARE”: ¿cómo cambian tamaño binario y memoria base?

Flujo de uso de TFL Micro: ¿qué bloques aparecen?