Examen ia segundo módulo

Test

Jugadas 10 %Acierto 95 Tiempo medio 02:24

Crear copia

Sobre esta actividad

Acierta y aprobarás

Creada por

Marina Garrido Arrabal

España

Descarga la versión para jugar en papel

Top 10 resultados

#	Jugador	Acierto	tiempo
1	Marina Garrido Arrabal 10 de Junio de 2026	% 100	01:55

¿Quieres aparecer en el Top 10 de este juego? 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

Cultura general española

Ernest Serret

España

(100)

Responde las siguientes preguntas
Verbos irregulares en Inglés

Hélmer González Serrano

Colombia

(312)

Se presentan 10 preguntas, cada una con 4 opciones de respuesta. Seleccione la que considere correcta.
Tipos de sintagmas (II)

idoia rubio

España

(945)

Actividades interactivas para reconocer los distintos tipos de sintagmas
Brawl stars preguntas

Carlos Andrés Prieto Rodríguez

Colombia

(164)

Completa todas las preguntas
cuanto sabes de Futbol

hugo estay

Chile

(318)

este test esta basado en las diapositivas que pudimos ver con anterioridad, consta de 10 preguntas las cuales tienen alternativas para poder resolverlas.

		%
	Anónimo	%
		%
		%

Imprime tu juego

Examen ia segundo módulo


Examen ia segundo móduloVersión en línea Acierta y aprobarás por Marina Garrido Arrabal 1 ¿Cuál es la principal característica del aprendizaje supervisado? a Encuentra patrones en datos sin ningún tipo de etiqueta previa b Aprende a partir de datos previamente etiquetados por humanos c Agrupa datos según similitudes sin tener una respuesta correcta d Descubre estructuras ocultas sin ninguna intervención humana 2 ¿Qué es un ensemble en aprendizaje automático? a Una técnica que elimina variables antes de entrenar el modelo b La combinación de varios modelos individuales para obtener una predicción final más precisa c Una métrica que mide el error promedio en problemas de regresión d Un único modelo que memoriza todos los datos de entrenamiento 3 ¿Qué describe correctamente las técnicas, bagging, boosting, stacking y blending dentro de los ensembles? a Bagging entrena modelos en secuencias, boosting usa hold-out, stacking elimina modelos y blending solo sirve para regresión b Bagging genera datos sintéticos, boosting ajusta el umbral, stacking mide el error y blending calcula la estacionalidad. c Bagging entrena modelos en paralelo, boosting los entrena en secuencia, stacking usa un meta-modelo con validación cruzada y blending usa un conjunto fijo hold-out. d Bagging usa un único modelo, boosting mezcla datos sin etiquetas, stacking evita entrenar y blending elimina variables. 4 ¿Qué son churn, scoring y detección de fraude en aprendizaje automático? a Métricas que sirven para medir el error promedio de un modelo de regresión b Casos de negocio supervisados que usan datos históricos para predecir comportamientos importantes c Tipos de redes neuronales que siempre funcionan sin etiquetas previas d Técnicas de validación temporal usadas para evitar viajar al futuro 5 ¿Qué son Docker y Kurbenetes en la puesta en producción de modelos? a Dcoker mide la precisión del modelo y Kurbenetes calcula el recall automáticamente b Docker detecta el data leakage y Kurbenetes ajusta el umbral de decisión c Docker entrena modelos en paralelo y Kurbenetes corrige los errores del modelo anterior d Docker encapsula el modelo en una caja portable y Kurbenetes gestiona esas cajas, repartiendo trabajo y reiniciándolas si fallan 6 ¿Qué es el Git en el contexto de seguridad y reproducción de modelos? a Una técnica de balanceo de clases que genera ejemplos sintéticos antes del entrenamiento b Una herramienta de control de versiones que permite saber qué codigo y cambios se usaron para crear un modelo c Una métrica que mide si el modelo distingue bien entre dos clases d Un algoritmo que combina varios modelos para obtener una predicción final 7 ¿Qué son Prometheus y Grafana en el control post-despliegue de modelos? a Prometheus genera datos sintéticos y Grafana ajusta el umbral de decisión b Prometheus calcula el riesgo de crédito y Grafa detecta clientes que abandonan el servicio c Prometheus recopila métricas del sistema y Grafana las visualiza de forma gráfica y comprensible d Prometheus entrena el modelo nuevo y Grafana elimina los errores del modelo anterior 8 ¿Qué es A/B testing en el control post-despliegue de modelos? a Una herramienta que encapsula modelos en cajas portables para ejecutarlos en cualquier entorno b Un método para mezclar datos temporales sin respetar el orden cronológico c Una métrica que mide el error promedio en problemas de regresión d Una técnica para comparar dos versiones de un modelo con usuarios reales y comprobar cuál funciona mejor 9 ¿Qué es el clustering en modelos no supervisados? a Una técnica que ajusta manualmentee los hiperparámetros del modelo b Una técnica que agrupa datos parecidos entre sí en grupos llamados clústeres c Un método que asigna etiquetas correctas antes de entrenar el modelo d Un sistema que compara dos versiones de un modelo con usuarios reales 10 ¿Qué son isolation forest y one-class SVM dentro del análisis de inventario con IA? a Son herramientas de visualización orientadas a construir dashboards financieros y automatizar reportes de ventas b Son modelos de predicción temporal utilizados exclusivamente para calcular la demanda futura de productos estacionales c Son técnicas de detección de anomalías utilizadas para identificar comportamientos extraños o sospechosos en los datos, como errores, robos o movimientos inusuales de inventario. d Son algoritmos de clasificación supervisada diseñados para calcular márgenes de beneficio y optimizar campañas de marketing. 11 ¿Qué ventaja principal tienen los Transformers frente a métodos anteriores? a Necesitan más pasos manuales de selección b Sustituyen todas las redes neuronales c Eliminan por completo el uso de datos d Identifican automáticamente la información relevante 12 ¿Qué es la segmentación RFM? a Una técnica para detectar valores atípicos usando distancia al centro y densidad de vecinos b Una técnica para segmentar clientes según recencia, frecuencia y valor monetario para identificar y priorizar a los más rentables c Una herramienta para desplegar modelos en producción mediante contenedores d Un método para visualizar datos complejos en 2D o 3D 13 ¿Qué elementos caracterizan a una CNN? a Memoria, puertas y estados ocultos b Atención, tokens y embeddings vectoriales c Convolución, pooling y mapa de activación d Secuencias, contexto y predicción temporal 14 ¿Qué implica el entenamiento en Reinforcement Learning y cuál es su principal riesgo? a Consiste en entrenar modelos supervisados con datos etiquetados para garantizar siempre resultados seguros y controlados b Consiste en entrenar una IA mediante recompensas y penalizaciones, con el reisgo de que optimice el objetivo de forma incorrecta y genere comportamientos peligrosos o no deseados c Consiste en usar únicamente datos históricos sin interacción con el entorno para reducir el error del modelo d Consiste en ajustar redes neuronales sin función objetivo para evitar cualquier tipo de aprendizaje sesgado 15 ¿Qué función cumple el índice Dunn en la validación de segmentos? a Analiza únicamente la densidad de los datos sin considerar la distancia entre grupos b Sirve para estimar el número óptimo de varibales dentro de un modelo de regresión logística c Es un índice estricto que evalúa que los grupos estén bien separados y sin solapamientos; cuanto más alto sea el valor, mejor es la calidad de los clústeres d Es una métrica diseñada para calcular la velocidad de entrenamiento de modelos supervisados en tiempo real 16 ¿Cómo se interpretan las métricas Silhouette y Davies-Bouldin en clustering? a Silhouette cuanto más bajo mejor, y Davies-Bouldin cuanto más alto mejor b Ambas métricas sirven solo para problemas de regresión supervisada c Silhouette cuanto más alto mejor, y Davies-Bouldin cuanto más bajo mejor d Ambas métricas son mejores cuando se acercan a valores negativos 17 ¿Qué son LDA y NMF en la agrupación de textos? a Técnicas que detectan valores atípicos usando distancia al centro y densidad de vecinos b Algoritmos que agrupan palabras en temas para organizar automáticamente grandes cantidades de textos c Herramientas que encapsulan modelos para llevarlos a producción d Métodos que comparan dos versiones de un modelo con usuarios reales 18 ¿Para qué están pensadas las arquitecturas RNN, LSTM y GRU? a Clasificar objetos mediante convoluciones b Reducir dimensiones de grandes conjuntos c Procesar únicamente imágenes digitales d Trabajar con datos organizados en secuencias

Puedes integrar el juego en un LMS compatible con LTI 1.1 o LTI 1.3 como Canvas, Moodle, o Blackboard. De esta manera podrás guardar las puntuaciones automáticamente en el libro de calificaciones de esa plataforma.

Examen ia segundo módulo

Test

Sobre esta actividad

Creada por

Descarga la versión para jugar en papel

Top juegos

Test

Cultura general española

Test

Verbos irregulares en Inglés

Test

Tipos de sintagmas (II)

Test

Brawl stars preguntas

Test

cuanto sabes de Futbol

Examen ia segundo móduloVersión en línea

por Marina Garrido Arrabal

¿Cuál es la principal característica del aprendizaje supervisado?

¿Qué es un ensemble en aprendizaje automático?

¿Qué describe correctamente las técnicas, bagging, boosting, stacking y blending dentro de los ensembles?

¿Qué son churn, scoring y detección de fraude en aprendizaje automático?

¿Qué son Docker y Kurbenetes en la puesta en producción de modelos?

¿Qué es el Git en el contexto de seguridad y reproducción de modelos?

¿Qué son Prometheus y Grafana en el control post-despliegue de modelos?

¿Qué es A/B testing en el control post-despliegue de modelos?

¿Qué es el clustering en modelos no supervisados?

¿Qué son isolation forest y one-class SVM dentro del análisis de inventario con IA?

¿Qué ventaja principal tienen los Transformers frente a métodos anteriores?

¿Qué es la segmentación RFM?

¿Qué elementos caracterizan a una CNN?

¿Qué implica el entenamiento en Reinforcement Learning y cuál es su principal riesgo?

¿Qué función cumple el índice Dunn en la validación de segmentos?

¿Cómo se interpretan las métricas Silhouette y Davies-Bouldin en clustering?

¿Qué son LDA y NMF en la agrupación de textos?

¿Para qué están pensadas las arquitecturas RNN, LSTM y GRU?