Evaluación Tres 05/06/2026

 Evaluación Tres: Redes Neuronales (Nivel básico) 

Nombre:

Fecha:

Instrucciones

Lee cuidadosamente cada pregunta y selecciona la opción correcta. En cada ítem hay cinco opciones: cuatro respuestas posibles y una quinta opción que dice Todas estas  y una sexta opción que dice Ninguna de ellas

Debe ser enviada al correo ramonrengifoubv@gmail.com

Puntuación Total: 20 puntos

PARTE I: Preguntas Objetivas (10 puntos)

Instrucciones: Seleccione la respuesta correcta. Cada pregunta vale 1 punto.

1. ¿Cuál es la unidad básica de procesamiento en una red neuronal artificial, inspirada en la biología humana?

1. El microprocesador.
2. El axón digital.
3. La neurona artificial o elemento procesador (PE).
4. El condensador lógico.
5. Todas estas.
6. Ninguna de ellas.  

2. ¿En qué década se propuso el primer modelo matemático de una neurona (McCulloch y Pitts)?

1. Década de 1920.
2. Década de 1940.
3. Década de 1960.
4. Década de 1980.
5. Todas estas.
6. Ninguna de ellas.  

3. ¿Cuáles son las tres capas jerárquicas fundamentales en una red neuronal moderna?

1. Capa de inicio, capa de proceso y capa de fin.
2. Capa de datos, capa de cálculo y capa de visualización.
3. Capa de entrada, capas ocultas y capa de salida.
4. Capa binaria, capa real y capa compleja.
5. Todas estas.
6. Ninguna de ellas.  

4. En el modelo matemático de una neurona, ¿qué elemento representa la "importancia" o fuerza de la señal de entrada?

1. El sesgo (bias).
2. La función de activación.
3. El vector de salida.
4. Los pesos (weights).
5. Todas estas.
6. Ninguna de ellas.  

5. ¿Qué científico es reconocido por desarrollar el "Perceptrón" y defender el uso de máquinas capaces de aprender en 1958?

1. Alan Turing.
2. Frank Rosenblatt.
3. Marvin Minsky.
4. John Hopfield.
5. Todas estas.
6. Ninguna de ellas.  

6. Es una ventaja de las redes neuronales que les permite seguir realizando su función (con degradación) incluso si parte de la red sufre daños:

1. Aprendizaje adaptativo.
2. Operación en tiempo real.
3. Tolerancia a fallos.
4. Auto-organización.
5. Todas estas.
6. Ninguna de ellas.  

7. ¿Qué significa el proceso de "Aprendizaje" en una red neuronal artificial?

1. Programar explícitamente cada regla de decisión.
2. La adaptación o ajuste de los pesos de las conexiones en respuesta a datos de entrada.
3. El aumento de la memoria RAM del ordenador.
4. La eliminación de todas las capas ocultas.
5. Todas estas.
6. Ninguna de ellas.  

8. ¿Cómo se define el aprendizaje supervisado?

1. La red aprende sola sin ninguna referencia externa.
2. Proceso donde un agente externo (maestro) determina la respuesta deseada para una entrada.
3. El uso exclusivo de neuronas biológicas.
4. La conexión de la red a internet para buscar respuestas.
5. Todas estas.
6. Ninguna de ellas.  

9. ¿Cuál es la función del bloque denominado "Función de Activación"?

1. Sumar las entradas crudas sin pesos.
2. Introducir no linealidad y transformar la suma ponderada en un estado de activación.
3. Borrar los datos de entrenamiento.
4. Apagar la red cuando termina el proceso.
5. Todas estas.
6. Ninguna de ellas.

10. ¿En qué sectores tienen aplicaciones actuales las redes neuronales según los materiales estudiados?

1. Salud (diagnóstico médico).
2. Finanzas (predicciones y detección de fraude).
3. Manufactura e inspección de calidad.
4. Previsión de demanda de energía.
5. Todas estas.
6. Ninguna de ellas.  

PARTE II: Desarrollo y Programación (10 puntos)

Instrucciones: Elabore los programas solicitados utilizando Python, TensorFlow y Keras. Cada ejercicio vale 5 puntos.

11. Red Neuronal para Resta de dos Números (5 puntos) Elabore un programa en Python que cree, entrene y ejecute una red neuronal capaz de calcular la resta de dos números enteros (num1 - num2). Utilice una estructura secuencial similar a la vista en clase para la suma o convertidores aritméticos.

12. Red Neuronal para Multiplicación de dos Números (5 puntos) Elabore una red neuronal en Python que calcule la multiplicación de dos números enteros. Considere que, debido a la naturaleza de la operación, puede requerir el uso de capas ocultas o funciones de activación específicas para mejorar la precisión.