Docsity
Docsity

Prepara tus exámenes
Prepara tus exámenes

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity


Consigue puntos base para descargar
Consigue puntos base para descargar

Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium


Orientación Universidad
Orientación Universidad


machine learning con imagenes, Exámenes de Informática

examen de machine learning con imagenes

Tipo: Exámenes

2019/2020

Subido el 23/10/2021

ivan-supo
ivan-supo 🇵🇪

1 documento

1 / 3

Toggle sidebar

Esta página no es visible en la vista previa

¡No te pierdas las partes importantes!

bg1
EXAMEN DE MACHINE LEARNING CON IMÁGENES
Nombre:
1. Una imagen en escala de grises de 50 filas y 50 columnas, que es la entrada de una red
neuronal, da un total de:
a. 50
b. 100 valores de entrada
c. 2500 valores de entrada
d. 7500 valores de entrada
e. NA
2. Una imagen a colores en formato RGB de 100 filas y 100 columnas, que es la entrada de
una red neuronal, da un total de:
a. 100 valores de entrada
b. 200 valores de entrada
c. 300 valores de entrada
d. 10000 valores de entrada
e. NA
3. El siguiente filtro es probable que permita la detección de:
0 1 2
1 0 1
21 0
a. Líneas horizontales
b. Líneas diagonales
c. Curvas
d. Círculos
e. NA
4. Si a una capa de una red convolucional tienen como dimensión de salida: 32x32x16 (16
filtros con dimensiones de 32x32), le aplicamos un max-pooling con un aventana de 2x2, la
dimensión resultante será:
a. 16x16x8
b. 16x16x32
c. 16x16x16
d. 32x32x16
e. NA
pf3

Vista previa parcial del texto

¡Descarga machine learning con imagenes y más Exámenes en PDF de Informática solo en Docsity!

EXAMEN DE MACHINE LEARNING CON IMÁGENES

Nombre:

  1. Una imagen en escala de grises de 50 filas y 50 columnas, que es la entrada de una red neuronal, da un total de: a. 50 b. 100 valores de entrada c. 2500 valores de entrada d. 7500 valores de entrada e. NA
  2. Una imagen a colores en formato RGB de 100 filas y 100 columnas, que es la entrada de una red neuronal, da un total de: a. 100 valores de entrada b. 200 valores de entrada c. 300 valores de entrada d. 10000 valores de entrada e. NA
  3. El siguiente filtro es probable que permita la detección de:

a. Líneas horizontales b. Líneas diagonales c. Curvas d. Círculos e. NA

  1. Si a una capa de una red convolucional tienen como dimensión de salida: 32x32x16 ( filtros con dimensiones de 32x32), le aplicamos un max-pooling con un aventana de 2x2, la dimensión resultante será: a. 16x16x b. 16x16x c. 16x16x d. 32x32x e. NA
  1. Si a una capa de una red convolucional tienen como dimensión de salida: 32x32x16 ( filtros con dimensiones de 32x32), le aplicamos un average-pooling con un aventana de 2x2, la dimensión resultante será: a. 16x16x b. 16x16x c. 16x16x d. 32x32x e. NA
  2. Si a una capa de una red convolucional tienen como dimensión de salida: 32x32x16 ( filtros con dimensiones de 32x32), le aplicamos dropout de 0.5, la dimensión resultante será: a. 16x16x b. 16x16x c. 16x16x d. 32x32x e. NA
  3. ¿Qué es el aprendizaje profundo o Deep Learning? a. Es entrenar una red neuronal para que pueda aprender a reconocer ciertos patrones, ya sea una imagen, sonido, etc. b. El aprendizaje profundo o Deep Learning es una subárea del Aprendizaje Automático que usa la “redes Neuronales profundas”, es decir, equipado con muchas capas y nuevos algoritmos para el procesamiento previo de datos para la regularización del modelo: incrustaciones de palabras, abandonos, aumento de datos, etc.
  4. ¿Por qué se utiliza un data set de entrenamiento y otro de prueba? a. Para que podamos comprobar si nuestro modelo ha sido bien entrenada o no
  5. ¿Qué propósito tiene el dropout en una RNC? a. Tiene como propósito principal reducir el overfitting b. La técnica Dropout consiste en remover aleatoria y temporalmente unidades (neuronas) de las capas internas y ocultas de la red neuronal. ... La aplicación de la técnica mostro permitir la reducción del overfitting en distintos dominios como clasificación de imágenes, reconocimiento de voz, entre otras.