Volver al curso
Página siguiente
Quiz Interactivo
¡Pon a prueba tus conocimientos!
1
¿Cuál es el principal problema que la regularización busca resolver en el entrenamiento de las redes neuronales?
A
Subaprendizaje debido a la falta de datos
B
Overfitting, es decir, un ajuste demasiado preciso a los datos de entrenamiento
C
Lentitud de convergencia durante la optimización
D
Mala inicialización de los pesos
2
¿Qué función se agrega a la pérdida (loss) durante la regularización L2?
A
La suma de los pesos absolutos multiplicada por un coeficiente
B
La suma de los pesos al cuadrado multiplicada por un coeficiente
C
La suma de los gradientes de los pesos al cuadrado
D
La suma de las activaciones multiplicada por un coeficiente
3
¿Cuál es el efecto intuitivo de limitar el valor de los pesos con la regularización L2 sobre la función de pérdida?
A
Hace que la función de pérdida sea más plana, reduciendo las variaciones abruptas
B
Aumenta la pendiente de la función de pérdida para un aprendizaje más rápido
C
Hace que la función de pérdida sea no convexa
D
Reduce el número de mínimos locales en la función de pérdida
4
¿En qué consiste el método de dropout durante el entrenamiento de una red neuronal?
A
Agregar ruido gaussiano a los pesos en cada iteración
B
Fijar aleatoriamente ciertos pesos a cero durante el entrenamiento
C
Establecer aleatoriamente ciertas activaciones a cero en cada paso de entrenamiento
D
Reducir el tamaño de la red eliminando ciertas capas
5
¿Por qué el dropout contribuye a reducir el overfitting?
A
Aumenta la capacidad de aprendizaje de la red al agregar neuronas
B
Obliga a los neuronas a cooperar e impide que ciertas neuronas se basen en detalles específicos
C
Acelera la convergencia al disminuir el tamaño de los datos de entrenamiento
D
Reemplaza la función de pérdida por una función más robusta
Score: 0/5
Puntuación: 0/5