UNIDAD III: ALGORITMOS DE APRENDIZAJE PROFUNDO (REPASO)

Froggy Jumps

Jugadas 0

Crear copia

Sobre esta actividad

Repaso para examen del segundo parcial

Creada por

Jahir Jmz

México

Este juego es una version de

UNIDAD III: ALGORITMOS DE APRENDIZAJE PROFUNDO (REPASO)

Descarga la versión para jugar en papel

Top 10 resultados

Todavía no hay resultados para este juego. ¡Sé el primero en aparecer en el ranking! Inicia sesión para identificarte.

Crea tu propio juego gratis desde nuestro creador de juegos

Compite contra tus amigos para ver quien consigue la mejor puntuación en esta actividad

Crear reto

		%
	Anónimo	%
		%
		%

Imprime tu juego

UNIDAD III: ALGORITMOS DE APRENDIZAJE PROFUNDO (REPASO)


Froggy Jumps UNIDAD III: ALGORITMOS DE APRENDIZAJE PROFUNDO (REPASO)Versión en línea Repaso para examen del segundo parcial por Jahir Jmz 1 ¿Qué mide la función de pérdida (costo) en una red neuronal?? a El tiempo de entrenamiento b La diferencia entre la salida esperada y la salida real c La precisión del modelo 2 ¿Qué representa un epoch durante el entrenamiento? a Una iteración de un solo dato b Un recorrido completo del conjunto de datos por la red c Un solo ajuste de pesos 3 ¿Qué es un batch en el contexto del aprendizaje profundo? a Una capa oculta b Un tipo de activación c Todo el grupo de muestras procesadas antes de actualizar los parámetros 4 Un grupo de muestras procesadas antes de actualizar los parámetros a Batch Gradient Descent b Random Gradient Descent c Mini-Batch Gradient Descent 5 ¿Cuál es una ventaja del Mini-Batch Gradient Descent? a No requiere memoria b Combina estabilidad y eficiencia en el cálculo c No necesita ajustar parámetros 6 ¿Qué hace una función de activación en una red neuronal? a Introduce no linealidad en el modelo b Ajusta el tamaño del dataset c Reduce el error del gradiente 7 ¿Cuál de las siguientes funciones es más usada en redes profundas? a Sigmoid b Step Function c ReLU 8 ¿Qué valor devuelve la función ReLU cuando la entrada es negativa? a 1 b El valor de entrada c 0 9 ¿Qué función de activación es más adecuada para la capa de salida en clasificación multiclase? a ReLU b Softmax c Tanh 10 ¿Por qué se prefiere ReLU en redes profundas? a Reduce el problema del gradiente desapareciente b Evita la normalizació c Genera valores entre 0 y 1 11 ¿Cuál es el propósito de un optimizador en una red neuronal? a Aumentar el número de capa b Actualizar los pesos para minimizar la función de pérdida c Reducir la cantidad de datos 12 ¿Qué característica define al optimizador Momentum? a Usa una tasa de aprendizaje constante b Disminuye la tasa de aprendizaje a cero c Aprovecha el gradiente acumulado para acelerar la convergencia 13 ¿Qué optimizador ajusta la tasa de aprendizaje para cada parámetro individualmente? a Momentum b AdaGrad c RMSProp 14 ¿Cuál es una ventaja del optimizador Adam? a Combina las ventajas de Momentum y AdaGra b Solo se usa en GPU c No utiliza gradientes 15 ¿Qué significa “normalización” en el contexto de redes neuronales? a Aumentar la precisión de salida b Reducir el tamaño del modelo c Escalar los valores de entrada o activación para estabilizar el entrenamiento 16 ¿Qué significa DNN? a Deep Nonlinear Network b Deep Neural Network c Distributed Neural Network 17 ¿Qué diferencia a una DNN de una red neuronal tradicional? a La cantidad de capas ocultas b El tipo de función de activación c El número de salidas 18 ¿Qué hace una capa de salida en una DNN? a Calcula los gradientes b Genera el resultado final, como la clase o valor predicho c Normaliza los datos 19 ¿Qué riesgo tiene una DNN demasiado grande? a Subentrenamiento b Tasa de aprendizaje constante c Sobreajuste (overfitting) 20 ¿Qué rol tienen las capas ocultas en una DNN? a Regularizar el modelo b Calcular el error c Extraer características intermedias de los datos 21 ¿Qué significa CNN? a Central Neural Network b Convolutional Neural Network c Compact Neural Network 22 ¿Qué hace una capa convolucional? a Aplica filtros para extraer características espaciales b Reduce el número de neuronas c Normaliza datos 23 ¿Qué es el stride en una CNN? a El número de filtros aplicados b El número de píxeles que se mueve el filtro en cada paso c El tamaño de la imagen 24 ¿Cuál es la función del pooling? a Aumentar la resolución b Alinear los filtros c Reducir la dimensionalidad manteniendo las características relevantes 25 ¿Qué realiza la operación Flatten? a Convierte una matriz 2D en un vector 1D para la capa densa b Normaliza los pesos c Calcula la pérdida 26 ¿Qué es un feature map? a Un tipo de activación b El resultado de aplicar un filtro sobre la entrada c Una función de pérdida 27 ¿Qué hace el padding en una CNN? a Aumenta el número de filtros b Normaliza los datos c Agrega ceros en los bordes para mantener el tamaño de salida 28 ¿Qué sucede al aumentar el número de filtros en una CNN? a Se extraen más características b Se reducen las dimensiones c Se elimina el sobreajuste 29 ¿Qué framework se utiliza comúnmente para implementar CNNs en sistemas embebidos? a OpenCV b TensorFlow Lite c Scikit-learn 30 En una capa Max Pooling de tamaño 2×2 y stride = 2, aplicada sobre un mapa de características de 28×28, ¿qué tamaño tendrá la salida? a 28×28 b 14×14 c 7×7 31 En una CNN, si una capa convolucional reduce el tamaño de la imagen de 64×64 a 62×62, ¿qué tipo de padding se utilizó? a Valid (sin padding) b Same c Zero 32 Si una imagen de entrada es de 32×32 píxeles y aplicamos una convolución con un kernel de 3×3, stride = 1 y padding = “same”, ¿cuál será el tamaño de salida? a 32x32 b 30×30 c 29x29 33 Si usamos padding = “valid” en una convolución 3×3 sobre una imagen 28×28, ¿qué ocurre? a La imagen crece b Se duplican los filtros c El tamaño se reduce (salida de 26×26) 34 Una imagen de entrada es de 32×32×3, y aplicas una capa convolucional con filtro 5×5, stride = 1 y padding = “valid”. ¿Cuál será el tamaño del mapa de salida (sin contar canales)? a 32×32 b 26×26 c 28×28 35 Una imagen 64×64 pasa por una convolución 3×3 con stride = 1 y padding = same, seguida de un Max Pooling 2×2. ¿Cuál es el tamaño final de salida? a 64x64 b 32×32 c 16x16

UNIDAD III: ALGORITMOS DE APRENDIZAJE PROFUNDO (REPASO)

Froggy Jumps

Sobre esta actividad

Creada por

Descarga la versión para jugar en papel

Top juegos

Froggy Jumps

Salva a la Ranita

Froggy Jumps

Quiz de Culpa mía película

Froggy Jumps

OPEN UP 6 UNIT 1 VOCABULARY

Froggy Jumps

El valle de los lobos

Froggy Jumps

Sabiduría animal

Froggy Jumps

UNIDAD III: ALGORITMOS DE APRENDIZAJE PROFUNDO (REPASO)Versión en línea

por Jahir Jmz

¿Qué mide la función de pérdida (costo) en una red neuronal??

¿Qué representa un epoch durante el entrenamiento?

¿Qué es un batch en el contexto del aprendizaje profundo?

Un grupo de muestras procesadas antes de actualizar los parámetros

¿Cuál es una ventaja del Mini-Batch Gradient Descent?

¿Qué hace una función de activación en una red neuronal?

¿Cuál de las siguientes funciones es más usada en redes profundas?

¿Qué valor devuelve la función ReLU cuando la entrada es negativa?

¿Qué función de activación es más adecuada para la capa de salida en clasificación multiclase?

¿Por qué se prefiere ReLU en redes profundas?

¿Cuál es el propósito de un optimizador en una red neuronal?

¿Qué característica define al optimizador Momentum?

¿Qué optimizador ajusta la tasa de aprendizaje para cada parámetro individualmente?

¿Cuál es una ventaja del optimizador Adam?

¿Qué significa “normalización” en el contexto de redes neuronales?

¿Qué significa DNN?

¿Qué diferencia a una DNN de una red neuronal tradicional?

¿Qué hace una capa de salida en una DNN?

¿Qué riesgo tiene una DNN demasiado grande?

¿Qué rol tienen las capas ocultas en una DNN?

¿Qué significa CNN?

¿Qué hace una capa convolucional?

¿Qué es el stride en una CNN?

¿Cuál es la función del pooling?

¿Qué realiza la operación Flatten?

¿Qué es un feature map?

¿Qué hace el padding en una CNN?

¿Qué sucede al aumentar el número de filtros en una CNN?

¿Qué framework se utiliza comúnmente para implementar CNNs en sistemas embebidos?

En una capa Max Pooling de tamaño 2×2 y stride = 2, aplicada sobre un mapa de características de 28×28, ¿qué tamaño tendrá la salida?

En una CNN, si una capa convolucional reduce el tamaño de la imagen de 64×64 a 62×62, ¿qué tipo de padding se utilizó?

Si una imagen de entrada es de 32×32 píxeles y aplicamos una convolución con un kernel de 3×3, stride = 1 y padding = “same”, ¿cuál será el tamaño de salida?

Si usamos padding = “valid” en una convolución 3×3 sobre una imagen 28×28, ¿qué ocurre?

Una imagen de entrada es de 32×32×3, y aplicas una capa convolucional con filtro 5×5, stride = 1 y padding = “valid”. ¿Cuál será el tamaño del mapa de salida (sin contar canales)?

Una imagen 64×64 pasa por una convolución 3×3 con stride = 1 y padding = same, seguida de un Max Pooling 2×2. ¿Cuál es el tamaño final de salida?