IA y TinyML - Quiz

Froggy Jumps

Parties jouées 0

Créer une copie

À propos de cette activité

Quiz sobre IA, ML y TinyML

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 TinyML - Quiz


Froggy Jumps IA y TinyML - QuizVersion en ligne Quiz sobre IA, ML y TinyML par Isaac Gallegos 1 Q1: ¿Qué es IA según la definición del curso? a B: Un conjunto de sensores y microcontroladores para analizar señales. b C: Disciplina que estudia y desarrolla teorías, tecnología y aplicaciones que simulan y amplían la i c A: Un software que automatiza tareas repetitivas con reglas fijas. 2 Q2: ¿Qué pregunta guía clásica se asocia con el origen conceptual de la IA (Turing)? a C: «¿Pueden pensar las máquinas?» b A: «¿Pueden las máquinas sentir emociones humanas?» c B: «¿Podemos reemplazar por completo al humano en cualquier tarea?» 3 Q3: ¿Qué significa TinyML en el contexto del curso? a C: Tecnologías y aplicaciones de ML que permiten análisis de datos de sensores en el dispositivo con b B: IA enfocada solo en imágenes de alta resolución. c A: Modelos grandes en la nube que se consultan desde un microcontrolador. 4 Q4: ¿Cuáles son las 3 áreas clave (limitantes) que más aparecen en TinyML? a B: Internet, servidor y bases de datos. b C: Memoria, batería (energía) y desempeño (performance/latencia). c A: Resolución de pantalla, GPU y almacenamiento masivo. 5 Q5: ¿Cuál es una preocupación ética típica al desplegar IA (según el enfoque del curso)? a C: Privacidad, sesgo/discriminación, seguridad y consecuencias si falla. b B: Que el modelo tarde más de 1 minuto en entrenar. c A: Que el modelo use demasiadas líneas de código. 6 Q6: ¿Qué es “drift” del modelo en despliegue? a A: Cuando el modelo cambia de microcontrolador a Raspberry Pi. b C: Cuando cambian las características del entorno/datos y el modelo pierde desempeño porque fue “ens c B: Cuando el dataset se ordena diferente en cada ejecución. 7 Q7: ¿Qué diferencia esencial se menciona entre aprendizaje por refuerzo y supervisado? a B: En refuerzo no existe el entorno, solo un dataset fijo. b C: En refuerzo el entorno da señales escalares de recompensa para evaluar acciones, no “la acción co c A: En refuerzo siempre hay etiquetas perfectas por cada muestra. 8 Q8: ¿Qué tendencias/nuevos tipos de aprendizaje se mencionan como evolución del AA? a C: Aprendizaje autosupervisado, contrastivo y generativo. b A: Solo aprendizaje supervisado y reglas expertas. c B: Solo clustering y reducción de dimensionalidad. 9 Q9: ¿Qué es ML (Aprendizaje Automático) dentro de IA, en una definición correcta? a C: Subcampo que desarrolla algoritmos que aprenden patrones desde datos/ejemplos para resolver probl b B: Ajustar sensores para leer voltajes con menor ruido. c A: Programar manualmente todas las reglas si-entonces del sistema. 10 Q10: ¿Qué es Deep Learning (DL) de forma general? a A: Un método de compresión de datos para microcontroladores. b C: Un enfoque de ML basado en redes neuronales con múltiples capas que aprende representaciones comp c B: Un tipo de base de datos para grandes volúmenes. 11 Q11: ¿Por qué “más features” NO siempre significa mejor modelo? a A: Porque el modelo se vuelve más bonito gráficamente. b B: Porque ya no se pueden guardar en Excel. c C: Porque aumenta complejidad/costo, crece el espacio de búsqueda y features irrelevantes pueden int 12 Q12: ¿Qué es la selección de características (feature selection)? a B: Duplicar columnas para “tener más datos”. b C: Proceso de elegir variables relevantes para mejorar desempeño/generalización y reducir costo y ru c A: Elegir el color de la gráfica del entrenamiento. 13 Q13: ¿Qué es FFT? a B: Un protocolo de comunicación para sensores. b A: Un filtro analógico para amplificadores operacionales. c C: Algoritmo rápido para calcular la Transformada Discreta de Fourier y obtener contenido en frecuen 14 Q14: ¿Qué es un “kernel” en el contexto de procesamiento/convolución/CNN? a B: Un pin del micro usado para interrupciones. b A: Un archivo del sistema operativo del microcontrolador. c C: Una matriz/filtro de pesos que se aplica para extraer patrones (por ejemplo, en convolución). 15 Q15: ¿Qué es DMA en un microcontrolador? a B: Un tipo de compresión de imágenes. b A: Una técnica para subir el modelo a la nube. c C: Acceso directo a memoria: permite mover datos periférico→RAM sin cargar tanto a la CPU. 16 Q16: ¿Qué cubre la Unidad II principalmente? a A: Historia de la IA y debates filosóficos. b C: Introducción a algoritmos clásicos de ML, selección/preprocesamiento de features, entrenamiento, c B: Solo ética y regulación. 17 Q17: ¿Qué es preprocesamiento de datos en ML? a A: Ponerle nombre al proyecto y guardarlo en carpetas. b C: Limpieza y transformaciones para que los datos sean adecuados para entrenar (normalizar, filtrar, c B: Dibujar el diagrama de bloques del microcontrolador. 18 Q18: ¿Qué busca la “limpieza de datos”? a B: Convertir todo a texto para que “pese menos”. b A: Aumentar el número de clases aunque no existan. c C: Reducir errores/ruido, valores faltantes y outliers para mejorar consistencia del dataset. 19 Q19: ¿Cuál es la diferencia correcta entre regresión lineal y logística? a B: Son idénticas; solo cambia el nombre. b C: Lineal predice valores continuos; logística modela probabilidad para clasificación (binaria o mul c A: Lineal sirve para clases y logística para números continuos. 20 Q20: ¿Qué entrega típicamente la regresión logística? a B: Un cluster sin etiquetas. b A: Un voltaje directamente en el ADC. c C: Probabilidades de pertenencia a una clase (y una clase final por umbral/argmax). 21 Q21: ¿Qué es KNN (k-nearest neighbors)? a B: Un método que solo funciona con imágenes 4K. b A: Un modelo que siempre aprende pesos por backpropagation. c C: Algoritmo que clasifica (o estima) usando las etiquetas/valores de los k vecinos más cercanos seg 22 Q22: ¿Qué efecto típico tiene elegir k muy pequeño en KNN? a C: Puede volverlo sensible a ruido (alta varianza) y sobreajustar. b B: Hace el modelo “más lineal”. c A: Reduce el riesgo de overfitting siempre. 23 Q23: ¿Qué es un árbol de decisión? a B: Un método que necesita FFT para funcionar. b A: Una red neuronal con millones de parámetros. c C: Modelo que divide el espacio de datos con reglas tipo “si-entonces” en nodos para llegar a una pr 24 Q24: ¿Qué es SVM (SVC) en clasificación? a B: Un método solo para datos no etiquetados. b A: Un algoritmo de compresión sin pérdida. c C: Clasificador que busca un hiperplano con máximo margen; puede usar kernels para separación no lin 25 Q25: ¿Para qué se usan kernels en SVM? a B: Para eliminar la necesidad de entrenamiento. b A: Para reducir la frecuencia de muestreo del sensor. c C: Para mapear datos a espacios de mayor dimensión y permitir separación no lineal. 26 Q26: ¿Qué es división básica del dataset para evaluación? a B: Solo separar por colores o por orden alfabético. b C: Separar en entrenamiento y prueba (y normalmente validación) para estimar generalización. c A: Entrenar con el 100% y evaluar con el mismo 100%. 27 Q27: ¿Qué es k-fold cross-validation? a B: Probar k modelos totalmente diferentes sin criterio. b C: Técnica que divide el dataset en k partes y rota cuál es validación para obtener una estimación m c A: Entrenar una vez y ya no medir nada. 28 Q28: ¿Qué es una matriz de confusión multiclase? a B: Una gráfica de FFT. b A: Una tabla de voltajes del ADC. c C: Tabla que compara clase real vs clase predicha por clase, mostrando aciertos y confusiones. 29 Q29: ¿Qué mide “precisión” (precision) en clasificación? a A: Qué tan rápido corre el código en el STM32. b C: De las predicciones positivas, qué fracción fue correcta (TP/(TP+FP)). c B: Cuántos datos tiene el dataset. 30 Q30: ¿Qué mide “recall” en clasificación? a B: El porcentaje de datos normalizados. b A: Qué tan bonito se ve el dashboard. c C: De los positivos reales, qué fracción detectó el modelo (TP/(TP+FN)). 31 Q31: ¿Qué caracteriza al Deep Learning (Unidad III) frente a ML clásico? a B: DL no necesita entrenamiento. b A: DL siempre requiere menos datos que ML clásico. c C: DL tiende a ser end-to-end: aprende representaciones/features automáticamente mediante redes neur 32 Q32: ¿Qué es una “capa (layer)” en una red neuronal? a C: Conjunto de neuronas/operaciones que transforman entradas a salidas mediante pesos, sesgos y acti b A: Una carpeta dentro del proyecto. c B: Un pin de entrada del microcontrolador. 33 Q33: ¿Qué son los “weights” en una red neuronal? a C: Parámetros aprendidos que escalan/conectan entradas con neuronas para minimizar la pérdida. b A: Los nombres de los archivos del modelo. c B: Valores fijos que nunca cambian. 34 Q34: ¿Qué es el “bias” en una neurona? a B: El ruido térmico del ADC. b C: Parámetro que desplaza la suma ponderada y permite ajustar el umbral/offset de activación. c A: Un error inevitable del sensor. 35 Q35: ¿Qué es una función de activación? a B: Un método para guardar datos en CSV. b C: Función no lineal aplicada a la salida de una neurona (ej. ReLU, sigmoid, tanh) para modelar rela c A: Un cronómetro para medir epochs. 36 Q36: ¿Qué es una función de pérdida (loss/cost)? a B: El tiempo que tarda en compilar. b A: La energía consumida por el micro. c C: Medida de la diferencia entre la salida esperada y la salida real del modelo. 37 Q37: ¿Qué es una epoch? a C: Un paso completo donde todo el dataset pasa por el algoritmo de aprendizaje una vez. b B: Reiniciar el microcontrolador cada minuto. c A: Procesar 1 sola muestra y actualizar el modelo. 38 Q38: ¿Qué es un batch (lote)? a C: Subconjunto de N muestras usado para calcular gradientes/actualizar parámetros en una iteración. b A: El total del dataset siempre. c B: Un archivo binario del firmware. 39 Q39: ¿Qué describe Batch Gradient Descent? a A: Actualiza parámetros con 1 muestra a la vez. b B: Nunca usa el gradiente. c C: Calcula el gradiente usando todo el dataset y actualiza una vez por epoch. 40 Q40: ¿Qué describe Stochastic Gradient Descent (SGD)? a B: Actualiza con todo el dataset siempre. b C: Actualiza parámetros usando 1 ejemplo a la vez, introduciendo ruido útil para escapar mínimos loc c A: Actualiza una vez por cada 10 epochs. 41 Q41: ¿Qué describe Mini-batch Gradient Descent? a C: Calcula gradientes con mini-lotes: balancea estabilidad y velocidad, y aprovecha vectorización. b A: Solo sirve si el dataset tiene 3 muestras. c B: Evita totalmente el ajuste de hiperparámetros. 42 Q42: En CNN, ¿qué es “stride”? a A: El número de clases del modelo. b B: El tamaño del batch. c C: El paso con el que se desplaza el kernel/filtro sobre la entrada. 43 Q43: En CNN, ¿qué es “padding”? a C: Relleno (normalmente con ceros) alrededor de la entrada para controlar tamaño de salida y conserv b A: Una técnica para borrar columnas del dataset. c B: Un método para cambiar k en KNN. 44 Q44: ¿Qué es una capa de pooling? a A: Una capa que siempre aumenta resolución. b C: Capa que reduce dimensión espacial (ej. max/avg pooling) para bajar costo y resumir features. c B: Una capa que convierte todo a texto. 45 Q45: ¿Para qué sirve normalización en redes neuronales? a A: Para que el modelo tenga más capas automáticamente. b C: Para estabilizar entrenamiento y mejorar convergencia al escalar datos/activaciones a rangos adec c B: Para eliminar la necesidad de validación. 46 Q46: ¿Qué aborda la Unidad IV del curso? a C: Aplicaciones de AA en sistemas embebidos y técnicas de optimización para correr modelos en dispos b A: Solo historia de la IA. c B: Solo álgebra lineal teórica. 47 Q47: ¿Qué significa optimizar a nivel “MODEL” en embedded ML? a A: Cambiar el cableado del I2C. b B: Aumentar el tamaño del dataset para que “pese más”. c C: Modificar el modelo para que sea más ligero (menos parámetros/operaciones) manteniendo desempeño 48 Q48: ¿Qué significa optimizar a nivel “SOFTWARE”? a A: Cambiar el sensor por uno más caro. b C: Mejorar implementación (librerías, kernels eficientes, uso de aceleración, memoria) para ejecutar c B: Subir todo a la nube y apagar el micro. 49 Q49: ¿Qué significa optimizar a nivel “HARDWARE”? a C: Usar mejor hardware o aceleradores (DSP/NPU), y ajustar arquitectura para rendimiento/energía. b B: Agregar más clases al modelo sin razón. c A: Cambiar de Python a Excel. 50 Q50: ¿Cuál es el tipo usual de cuantización mencionado en el material? a B: Cuantización solo de entradas (no del modelo). b A: Cuantización antes de entrenar obligatoriamente. c C: PTQ (Post-Training Quantization): cuantización después de entrenar. 51 Q51: ¿Qué busca la cuantización en TinyML? a B: Aumentar el tamaño del modelo para “mejorar calidad”. b A: Convertir imágenes en audio. c C: Reducir tamaño y costo computacional (ej. float32→int8) para memoria/latencia/energía, con pérdid 52 Q52: ¿Qué es TensorFlow Lite for Microcontrollers (TFLM)? a C: Framework para correr inferencias de modelos pequeños en microcontroladores con memoria limitada. b A: Una app para entrenar GPT-3 en STM32. c B: Un simulador de circuitos tipo SPICE. 53 Q53: ¿Qué es un “Operations Resolver” en TFLM? a B: Un convertidor USB-UART. b C: Componente que registra/declara qué operaciones (ops) del modelo estarán disponibles en el runtim c A: Un archivo para guardar datos del acelerómetro. 54 Q54: ¿Por qué importa declarar solo las ops necesarias en el resolver? a C: Porque reduce memoria/código incluido: solo se compilan/usan las operaciones requeridas por el mo b B: Porque así el modelo entrena más rápido. c A: Porque si declaras más, el ADC deja de funcionar. 55 Q55: En embedded, ¿por qué es crítico medir desempeño además de exactitud? a C: Porque hay restricciones de latencia en tiempo real, consumo de energía y memoria disponibles. b A: Porque la exactitud no se puede calcular en clasificación. c B: Porque el dataset se vuelve inválido. 56 Q56: ¿Qué significa “always-on” en casos de uso TinyML? a C: Que el dispositivo puede ejecutar inferencias continuamente con consumo muy bajo, típicamente ali b A: Que el modelo corre solo cuando hay WiFi. c B: Que el modelo se usa solo en PCs. 57 Q57: ¿Qué trade-off es típico al optimizar modelos para microcontroladores? a C: Se balancea exactitud vs tamaño/latencia/energía: optimizar recursos puede bajar un poco la exact b A: Más memoria siempre implica menos energía, sin excepción. c B: Más exactitud siempre reduce latencia automáticamente. 58 Q58: En un sistema distribuido PC + STM (actividad con acelerómetro), ¿qué se hace en el STM según la práctica? a A: Entrenar el modelo grande desde cero. b C: Leer IMU (mG), enviar por serial en formato esperado y ejecutar/validar el flujo con Python para c B: Generar el dataset de internet automáticamente. 59 Q59: ¿Cuál es un orden correcto de etapas en esa aplicación distribuida (resumido)? a B: Entrenamiento → compra de sensores → limpieza → convertir a PDF. b C: Lectura IMU → envío serial → adquisión por clase → preprocesamiento/entrenamiento → evaluación → c A: Inferencia → evaluación → adquisición de muestras → entrenamiento. 60 Q60: ¿Qué porcentaje mínimo de funcionamiento exacto menciona el aviso del examen para la parte práctica? a B: 70% b C: Mayor al 85% c A: 50%

IA y TinyML - Quiz

Froggy Jumps

À propos de cette activité

Créé par

Téléchargez la version pour jouer sur papier

Top Jeux

Froggy Jumps

Phlebotomy Order of Draw Quiz

Froggy Jumps

Bill of Rights Game - The Constitutionalist

Froggy Jumps

Ethos, Pathos, and Logos Quiz

Froggy Jumps

pizza

Froggy Jumps

The Integumentary System

Froggy Jumps

IA y TinyML - QuizVersion en ligne

par Isaac Gallegos

Q1: ¿Qué es IA según la definición del curso?

Q2: ¿Qué pregunta guía clásica se asocia con el origen conceptual de la IA (Turing)?

Q3: ¿Qué significa TinyML en el contexto del curso?

Q4: ¿Cuáles son las 3 áreas clave (limitantes) que más aparecen en TinyML?

Q5: ¿Cuál es una preocupación ética típica al desplegar IA (según el enfoque del curso)?

Q6: ¿Qué es “drift” del modelo en despliegue?

Q7: ¿Qué diferencia esencial se menciona entre aprendizaje por refuerzo y supervisado?

Q8: ¿Qué tendencias/nuevos tipos de aprendizaje se mencionan como evolución del AA?

Q9: ¿Qué es ML (Aprendizaje Automático) dentro de IA, en una definición correcta?

Q10: ¿Qué es Deep Learning (DL) de forma general?

Q11: ¿Por qué “más features” NO siempre significa mejor modelo?

Q12: ¿Qué es la selección de características (feature selection)?

Q13: ¿Qué es FFT?

Q14: ¿Qué es un “kernel” en el contexto de procesamiento/convolución/CNN?

Q15: ¿Qué es DMA en un microcontrolador?

Q16: ¿Qué cubre la Unidad II principalmente?

Q17: ¿Qué es preprocesamiento de datos en ML?

Q18: ¿Qué busca la “limpieza de datos”?

Q19: ¿Cuál es la diferencia correcta entre regresión lineal y logística?

Q20: ¿Qué entrega típicamente la regresión logística?

Q21: ¿Qué es KNN (k-nearest neighbors)?

Q22: ¿Qué efecto típico tiene elegir k muy pequeño en KNN?

Q23: ¿Qué es un árbol de decisión?

Q24: ¿Qué es SVM (SVC) en clasificación?

Q25: ¿Para qué se usan kernels en SVM?

Q26: ¿Qué es división básica del dataset para evaluación?

Q27: ¿Qué es k-fold cross-validation?

Q28: ¿Qué es una matriz de confusión multiclase?

Q29: ¿Qué mide “precisión” (precision) en clasificación?

Q30: ¿Qué mide “recall” en clasificación?

Q31: ¿Qué caracteriza al Deep Learning (Unidad III) frente a ML clásico?

Q32: ¿Qué es una “capa (layer)” en una red neuronal?

Q33: ¿Qué son los “weights” en una red neuronal?

Q34: ¿Qué es el “bias” en una neurona?

Q35: ¿Qué es una función de activación?

Q36: ¿Qué es una función de pérdida (loss/cost)?

Q37: ¿Qué es una epoch?

Q38: ¿Qué es un batch (lote)?

Q39: ¿Qué describe Batch Gradient Descent?

Q40: ¿Qué describe Stochastic Gradient Descent (SGD)?

Q41: ¿Qué describe Mini-batch Gradient Descent?

Q42: En CNN, ¿qué es “stride”?

Q43: En CNN, ¿qué es “padding”?

Q44: ¿Qué es una capa de pooling?

Q45: ¿Para qué sirve normalización en redes neuronales?

Q46: ¿Qué aborda la Unidad IV del curso?

Q47: ¿Qué significa optimizar a nivel “MODEL” en embedded ML?

Q48: ¿Qué significa optimizar a nivel “SOFTWARE”?

Q49: ¿Qué significa optimizar a nivel “HARDWARE”?

Q50: ¿Cuál es el tipo usual de cuantización mencionado en el material?

Q51: ¿Qué busca la cuantización en TinyML?

Q52: ¿Qué es TensorFlow Lite for Microcontrollers (TFLM)?

Q53: ¿Qué es un “Operations Resolver” en TFLM?

Q54: ¿Por qué importa declarar solo las ops necesarias en el resolver?

Q55: En embedded, ¿por qué es crítico medir desempeño además de exactitud?

Q56: ¿Qué significa “always-on” en casos de uso TinyML?

Q57: ¿Qué trade-off es típico al optimizar modelos para microcontroladores?

Q58: En un sistema distribuido PC + STM (actividad con acelerómetro), ¿qué se hace en el STM según la práctica?

Q59: ¿Cuál es un orden correcto de etapas en esa aplicación distribuida (resumido)?

Q60: ¿Qué porcentaje mínimo de funcionamiento exacto menciona el aviso del examen para la parte práctica?