Introducción
Este examen recorre el glosario de sistemas cognitivos artificiales. No sustituye su lectura: comprueba si distingues conceptos que el glosario presenta juntos y que resulta fácil intercambiar, como la retropropagación y el optimizador, skip-gram y CBOW, o el paralelismo de datos y el de modelo.
Son 48 preguntas, cuatro por cada una de las once secciones del glosario. Hay tres formatos: opción múltiple con una sola respuesta, respuesta múltiple y verdadero o falso. Las opciones incorrectas no son absurdas: reutilizan definiciones vecinas del propio glosario aplicadas al concepto equivocado.
Avanza con Anterior y Siguiente. Puedes volver a una pregunta ya contestada: la tarjeta conserva la selección, el veredicto y la explicación. Nada se envía a un servidor.
Tabla de contenido
Tabla de contenido
Cómo responder
- Lee el tipo de pregunta. En respuesta múltiple hay que marcar todas las opciones correctas; una de más o una de menos cuenta como incorrecta.
- Pulsa Comprobar. Un icono verde marca el acierto y uno rojo el fallo. Puedes cambiar la selección y volver a comprobarla; al cambiarla, se retira el resultado anterior hasta que pulses Comprobar de nuevo.
- Pulsa Explicar para ver las opciones correctas y la razón por la que las demás no lo son. Puedes abrirlo antes o después de comprobar.
Examen
Pregunta 1 de 48
Sin respuestas todavía
Qué repasar si fallas
| Sección del glosario | Señales de que conviene releerla |
|---|---|
| Introducción al aprendizaje profundo | Confundir aprendizaje automático, aprendizaje de representaciones y aprendizaje profundo, o el papel del sesgo y la activación. |
| Entrenamiento | Tratar la retropropagación como si actualizara los pesos, o cambiar de signo la dirección del gradiente. |
| Frameworks | Mezclar grafo estático y dinámico, o dar por vigentes Theano, CNTK o MXNet. |
| Entrenamiento práctico | No distinguir saturación, ReLU muerta, inicialización He y el momento en que AdaGrad se detiene. |
| Redes convolucionales | Confundir clasificación, detección, segmentación y recuperación, o el efecto del relleno y el paso. |
| Representaciones del lenguaje | Invertir skip-gram y CBOW, o leer el coseno como si dependiera de la magnitud. |
| Redes recurrentes | Creer que el recorte de gradiente cura el desvanecimiento, o confundir las puertas de una LSTM. |
| Aprendizaje por refuerzo | Pedirle a Q-learning la política óptima durante la recogida, o contar mal el exponente de γ. |
| GPU y entrenamiento distribuido | Intercambiar paralelismo de datos y de modelo, o no reconocer un gradiente obsoleto. |
| Puesta en producción | Tomar el training-serving skew por una brecha de métricas, o ignorar el coste de latencia del batching. |
| Modelos generativos y metaaprendizaje | Tratar una GAN como modelo de densidad explícita, o la metaprueba como una repetición de las tareas de entrenamiento. |