15 preguntas y respuestas de prueba de aprendizaje profundo

1. Pregunta: ¿Qué es el Deep Learning?
Opciones:
A. Una técnica de aprendizaje no supervisado basada en árboles de decisión.
B. Una subclase del Machine Learning que utiliza redes neuronales con múltiples capas.
C. Un método de regresión lineal avanzada.
D. Un algoritmo de clasificación binaria simple.
Respuesta correcta: B
Explicación: El Deep Learning se basa en redes neuronales profundas que aprenden representaciones jerárquicas de los datos a través de múltiples capas, permitiendo un mejor manejo de datos complejos.

2. Pregunta: ¿Cuál es la principal diferencia entre Deep Learning y Machine Learning tradicional?
Opciones:
A. El Deep Learning no requiere datos etiquetados.
B. El Deep Learning utiliza redes neuronales con muchas capas, mientras que el Machine Learning tradicional usa algoritmos más simples.
C. El Machine Learning es siempre supervisado, a diferencia del Deep Learning.
D. No hay diferencias significativas entre ambos.
Respuesta correcta: B
Explicación: El Deep Learning se destaca por su uso de redes neuronales profundas, lo que le permite capturar patrones complejos en datos grandes, en contraste con los algoritmos más básicos del Machine Learning tradicional.

3. Pregunta: ¿Qué función de activación se utiliza comúnmente en las capas ocultas de una red neuronal para introducir no linealidad?
Opciones:
A. Función lineal.
B. Función ReLU (Rectified Linear Unit).
C. Función sigmoide en todas las capas.
D. Función tangente hiperbólica solo en la capa de salida.
Respuesta correcta: B
Explicación: La función ReLU aplica una transformación no lineal que activa valores positivos y deja los negativos en cero, ayudando a mitigar el problema del vanishing gradient en redes profundas.

4. Pregunta: ¿En qué consiste el algoritmo de backpropagation en el entrenamiento de redes neuronales?
Opciones:
A. Un método para inicializar pesos aleatoriamente.
B. Un algoritmo que calcula los gradientes de la pérdida y actualiza los pesos para minimizar el error.
C. Una técnica para agregar más capas a la red.
D. Un proceso de normalización de datos.
Respuesta correcta: B
Explicación: Backpropagation propaga el error hacia atrás a través de la red para ajustar los pesos de las conexiones, optimizando la función de pérdida mediante el descenso de gradiente.

5. Pregunta: ¿Qué tipo de red neuronal es más adecuada para procesar imágenes?
Opciones:
A. Redes neuronales recurrentes (RNN).
B. Redes neuronales convolucionales (CNN).
C. Redes neuronales feedforward estándar.
D. Redes neuronales autoencoderas.
Respuesta correcta: B
Explicación: Las CNN están diseñadas para procesar datos grid-like como imágenes, utilizando convoluciones para extraer características locales como bordes y texturas.

6. Pregunta: ¿Qué problema se resuelve con la técnica de dropout en Deep Learning?
Opciones:
A. El sobreajuste (overfitting).
B. La inicialización de pesos.
C. La selección de características.
D. La normalización de datos.
Respuesta correcta: A
Explicación: Dropout apaga aleatoriamente neuronas durante el entrenamiento, lo que ayuda a prevenir el sobreajuste al forzar a la red a aprender representaciones más robustas.

7. Pregunta: ¿Cuál es el propósito principal de las capas de pooling en una CNN?
Opciones:
A. Aumentar el número de parámetros.
B. Reducir la dimensionalidad y hacer la red más invariant a traslaciones.
C. Aplicar funciones de activación no lineales.
D. Inicializar los pesos de la red.
Respuesta correcta: B
Explicación: Las capas de pooling, como max pooling, reducen el tamaño espacial de la representación, reteniendo las características más importantes y mejorando la eficiencia computacional.

8. Pregunta: ¿Qué es el transfer learning en el contexto de Deep Learning?
Opciones:
A. Transferir datos de entrenamiento entre modelos.
B. Reutilizar un modelo preentrenado en un nuevo problema para ahorrar tiempo y recursos.
C. Cambiar la arquitectura de la red neuronal.
D. Enviar gradientes entre capas.
Respuesta correcta: B
Explicación: El transfer learning aprovecha el conocimiento de un modelo entrenado en un gran dataset para adaptarlo a tareas similares con menos datos, mejorando el rendimiento.

9. Pregunta: ¿Cuál es una desventaja común de las redes neuronales recurrentes (RNN)?
Opciones:
A. No pueden procesar secuencias de datos.
B. Sufren de vanishing o exploding gradients en secuencias largas.
C. Requieren muy pocos datos para entrenar.
D. Son ideales para datos no secuenciales.
Respuesta correcta: B
Explicación: Las RNN tienen problemas con gradientes que desaparecen o explotan en secuencias largas, lo que afecta su capacidad para aprender dependencias a largo plazo.

10. Pregunta: ¿Qué función de pérdida se usa típicamente en problemas de clasificación binaria?
Opciones:
A. Entropía cruzada binaria.
B. Error cuadrático medio.
C. Entropía cruzada categórica.
D. Función de pérdida de Huber.
Respuesta correcta: A
Explicación: La entropía cruzada binaria mide la diferencia entre las probabilidades predichas y las reales en clasificaciones binarias, optimizando la salida de la red para aproximarse a 0 o 1.

11. Pregunta: ¿Qué es un autoencoder en Deep Learning?
Opciones:
A. Una red neuronal que genera datos sintéticos.
B. Una red que comprime y reconstruye datos para aprender representaciones.
C. Un tipo de CNN para imágenes.
D. Un optimizador como Adam.
Respuesta correcta: B
Explicación: Los autoencoders codifican los datos en una representación comprimida y luego decodifican para reconstruirlos, útil para reducción de dimensionalidad y denoising.

12. Pregunta: ¿Cuál es el rol del optimizador Adam en el entrenamiento de redes neuronales?
Opciones:
A. Seleccionar características automáticamente.
B. Actualizar los pesos basándose en estimaciones adaptativas de primer y segundo momento.
C. Normalizar los datos de entrada.
D. Aplicar dropout.
Respuesta correcta: B
Explicación: Adam combina las ventajas de RMSprop y SGD con momentum, ajustando la tasa de aprendizaje dinámicamente para una convergencia más rápida y estable.

13. Pregunta: ¿Por qué se usa data augmentation en Deep Learning?
Opciones:
A. Para aumentar la complejidad del modelo.
B. Para expandir artificialmente el dataset y mejorar la generalización.
C. Para reducir el tiempo de entrenamiento.
D. Para eliminar ruido de los datos.
Respuesta correcta: B
Explicación: La data augmentation aplica transformaciones como rotaciones o flips a los datos existentes, ayudando a prevenir el sobreajuste al exponer al modelo a variaciones.

14. Pregunta: ¿Qué es un Generative Adversarial Network (GAN)?
Opciones:
A. Una red neuronal para clasificación.
B. Un sistema con dos redes: una generadora y una discriminadora que compiten para generar datos realistas.
C. Un tipo de RNN para secuencias.
D. Un autoencoder mejorado.
Respuesta correcta: B
Explicación: En un GAN, la red generadora crea datos falsos y la discriminadora los distingue de los reales, resultando en la generación de contenido sintético de alta calidad.

15. Pregunta: ¿Cuál es una aplicación común del Deep Learning en el procesamiento de lenguaje natural?
Opciones:
A. Traducción automática.
B. Detección de anomalías en redes.
C. Clasificación de imágenes.
D. Predicción de series temporales.
Respuesta correcta: A
Explicación: El Deep Learning, a través de modelos como transformers, permite traducciones precisas al procesar y generar secuencias de texto de manera contextual.