Froggy Jumps: Aprendizaje automático (aprendizaje - inteligencia artificial


Froggy Jumps Aprendizaje automáticoVersión en línea Aprendizaje automático por Karla Violeta Martinez Facundo 1 Es el proceso por el que los ordenadores aprovechan las redes neuronales para reconocer patrones y mejorar su capacidad para identificarlos a Aprendizaje automático b Redes neuronales c Aprendizaje por computadoras 2 Se utilizan para analizar y reconocer patrones en los datos, inspirado en la estructura y el funcionamiento del cerebro a Redes neuronales b Series c Aprendizajes 3 Otro nombre de las neuronas artificiales interconectadas a Usuarios b Máquinas c Nodos 4 Es un subconjunto específico del aprendizaje automático que utiliza redes neuronales profundas con multitud de capas ocultas a Aprendizaje automático b Aprendizaje profundo c Ciencia de datos 5 Diferencia entre aprendizaje automático y aprendizaje profundo a Intervención humana b Profundidad del tema c Son iguales 6 Las dos principales etapas de desarrollo de una red neuronal a Información y decisión b Nacimiento y desarrollo c Formación e inferencia 7 El PC tiene un grupo etiquetado de datos que le permiten aprender a hacer una tarea humana. Este es el modelo menos complejo, ya que intenta replicar el aprendizaje humano. a Aprendizaje no supervisado b Aprendizaje semisupervisado c Aprendizaje supervisado 8 El PC tiene datos sin etiquetar y extrae de ellos información o patrones previamente desconocidos a Aprendizaje no supervisado b Aprendizaje supervisado c Aprendizaje semisupervisado 9 El PC encuentra puntos de datos similares dentro de un grupo de datos y los agrupa en consecuencia (creando «clústeres») a Agrupación en clúster b Estimación de densidad c Detección de anomalías 10 El PC identifica puntos de datos dentro de un grupo de datos que son significativamente diferentes del resto. a Detección de anomalías b Agrupación en clúster c Estimación de densidad 11 El PC analiza un grupo de datos y los resume para poder usarlos para hacer predicciones precisas a Análisis de componente principal b Agrupación en clúster c Estimación de densidad 12 El PC descubre conocimientos al ver cómo se distribuye el grupo de datos a Estimación de densidad b Agrupación en clúster c Detección de anomalías 13 El PC observa su entorno y usa esos datos para identificar la conducta ideal que minimizará el riesgo o maximizará la recompensa. a Aprendizaje de refuerzo b Aprendizaje supervisado c Aprendizaje no supervisado 14 Incluye el proceso, herramientas y tecnología para optimizar y estandarizar cada etapa del ciclo de vida de ML, desde el desarrollo del modelo hasta la puesta en marcha. a ML Ops b HPE c Nube

1

Es el proceso por el que los ordenadores aprovechan las redes neuronales para reconocer patrones y mejorar su capacidad para identificarlos

a

Aprendizaje automático

b

Redes neuronales

c

Aprendizaje por computadoras

2

Se utilizan para analizar y reconocer patrones en los datos, inspirado en la estructura y el funcionamiento del cerebro

a

Redes neuronales

b

Series

c

Aprendizajes

3

Otro nombre de las neuronas artificiales interconectadas

a

Usuarios

b

Máquinas

c

Nodos

4

Es un subconjunto específico del aprendizaje automático que utiliza redes neuronales profundas con multitud de capas ocultas

a

Aprendizaje automático

b

Aprendizaje profundo

c

Ciencia de datos

5

Diferencia entre aprendizaje automático y aprendizaje profundo

a

Intervención humana

b

Profundidad del tema

c

Son iguales

6

Las dos principales etapas de desarrollo de una red neuronal

a

Información y decisión

b

Nacimiento y desarrollo

c

Formación e inferencia

7

El PC tiene un grupo etiquetado de datos que le permiten aprender a hacer una tarea humana. Este es el modelo menos complejo, ya que intenta replicar el aprendizaje humano.

a

Aprendizaje no supervisado

b

Aprendizaje semisupervisado

c

Aprendizaje supervisado

8

El PC tiene datos sin etiquetar y extrae de ellos información o patrones previamente desconocidos

a

Aprendizaje no supervisado

b

Aprendizaje supervisado

c

Aprendizaje semisupervisado

9

El PC encuentra puntos de datos similares dentro de un grupo de datos y los agrupa en consecuencia (creando «clústeres»)

a

Agrupación en clúster

b

Estimación de densidad

c

Detección de anomalías

10

El PC identifica puntos de datos dentro de un grupo de datos que son significativamente diferentes del resto.

a

Detección de anomalías

b

Agrupación en clúster

c

Estimación de densidad

11

El PC analiza un grupo de datos y los resume para poder usarlos para hacer predicciones precisas

a

Análisis de componente principal

b

Agrupación en clúster

c

Estimación de densidad

12

El PC descubre conocimientos al ver cómo se distribuye el grupo de datos

a

Estimación de densidad

b

Agrupación en clúster

c

Detección de anomalías

13

El PC observa su entorno y usa esos datos para identificar la conducta ideal que minimizará el riesgo o maximizará la recompensa.

a

Aprendizaje de refuerzo

b

Aprendizaje supervisado

c

Aprendizaje no supervisado

14

Incluye el proceso, herramientas y tecnología para optimizar y estandarizar cada etapa del ciclo de vida de ML, desde el desarrollo del modelo hasta la puesta en marcha.

a

ML Ops

b

HPE

c

Nube

Aprendizaje automático

Froggy Jumps

Descarga la versión para jugar en papel

Creada por

Top 10 resultados

Top juegos

Froggy Jumps

Bill of Rights Game - The Constitutionalist

Froggy Jumps

Ethos, Pathos, and Logos Quiz

Froggy Jumps

Phlebotomy Order of Draw Quiz

Froggy Jumps

The Integumentary System

Froggy Jumps

pizza

Froggy Jumps

Aprendizaje automáticoVersión en línea

por Karla Violeta Martinez Facundo

Es el proceso por el que los ordenadores aprovechan las redes neuronales para reconocer patrones y mejorar su capacidad para identificarlos

Se utilizan para analizar y reconocer patrones en los datos, inspirado en la estructura y el funcionamiento del cerebro

Otro nombre de las neuronas artificiales interconectadas

Es un subconjunto específico del aprendizaje automático que utiliza redes neuronales profundas con multitud de capas ocultas

Diferencia entre aprendizaje automático y aprendizaje profundo

Las dos principales etapas de desarrollo de una red neuronal

El PC tiene un grupo etiquetado de datos que le permiten aprender a hacer una tarea humana. Este es el modelo menos complejo, ya que intenta replicar el aprendizaje humano.

El PC tiene datos sin etiquetar y extrae de ellos información o patrones previamente desconocidos

El PC encuentra puntos de datos similares dentro de un grupo de datos y los agrupa en consecuencia (creando «clústeres»)

El PC identifica puntos de datos dentro de un grupo de datos que son significativamente diferentes del resto.

El PC analiza un grupo de datos y los resume para poder usarlos para hacer predicciones precisas

El PC descubre conocimientos al ver cómo se distribuye el grupo de datos

El PC observa su entorno y usa esos datos para identificar la conducta ideal que minimizará el riesgo o maximizará la recompensa.

Incluye el proceso, herramientas y tecnología para optimizar y estandarizar cada etapa del ciclo de vida de ML, desde el desarrollo del modelo hasta la puesta en marcha.