Tema 75. Inteligencia Artificial (IA). Modelos interpretables vs modelos no interpretables: características, utilidades, ventajas e inconvenientes de cada tipo. Principales modelos y algoritmos de Machine Learning: algoritmos basados en funciones (regresión lineal, regresión logística, métodos polinómicos), algoritmos basados en árboles (árboles de clasificación, árboles de regresión), algoritmos basados en reglas (reglas de clasificación, reglas de asociación), redes neuronales y el caso particular de deep learning. Técnicas de selección de características y técnicas de extracción de características. Técnicas descriptivas y técnicas predictivas. Aplicaciones de la IA en Salud. Ley de Inteligencia Artificial de la UE.

OPE 2025. TFA INFORMÁTICA

Resumen – Tema 75: Inteligencia Artificial (IA)

La Inteligencia Artificial (IA) se refiere a la simulación de procesos de inteligencia humana mediante máquinas, especialmente sistemas informáticos. A través de la IA, se busca que las máquinas puedan aprender de los datos, razonar, tomar decisiones y realizar tareas de forma autónoma.

Modelos interpretables vs no interpretables:

  • Modelos interpretables: Son aquellos cuyos resultados y funcionamiento pueden ser fácilmente comprendidos por los seres humanos. Ejemplos incluyen la regresión lineal o los árboles de decisión. Son útiles en contextos donde es importante entender cómo se toman las decisiones, como en la medicina, donde los médicos necesitan saber por qué se llegó a una conclusión.
  • Modelos no interpretables: Son modelos complejos cuyos resultados son difíciles de entender incluso para los expertos. Las redes neuronales profundas (Deep Learning) suelen caer en esta categoría, debido a su complejidad y número de capas ocultas. Aunque poderosos, a menudo se consideran «cajas negras» debido a la dificultad de interpretar cómo se llegaron a ciertos resultados.

Algoritmos de Machine Learning:

  1. Algoritmos basados en funciones:
    • Regresión lineal: Establece una relación lineal entre las variables independientes y dependientes.
    • Regresión logística: Se utiliza para clasificación binaria, modelando la probabilidad de que una observación pertenezca a una clase determinada.
    • Métodos polinómicos: Extienden la regresión lineal a relaciones no lineales mediante polinomios.
  2. Algoritmos basados en árboles:
    • Árboles de clasificación: Dividen los datos en subconjuntos homogéneos en función de las características. Se utilizan para problemas de clasificación.
    • Árboles de regresión: Similar a los árboles de clasificación, pero se utilizan para problemas de predicción numérica.
  3. Algoritmos basados en reglas:
    • Reglas de clasificación: Establecen condiciones (reglas) que clasifican las observaciones en categorías.
    • Reglas de asociación: Detectan relaciones entre diferentes variables en grandes conjuntos de datos, como en las transacciones de compra.
  4. Redes neuronales: Sistemas de procesamiento inspirados en el cerebro humano, con múltiples capas (neuronas) que permiten aprender patrones complejos. El Deep Learning es un subcampo que usa redes neuronales profundas y ha demostrado ser eficaz en tareas complejas como el reconocimiento de imágenes y el procesamiento de lenguaje natural.

Técnicas de selección y extracción de características:

  • Selección de características: Consiste en elegir un subconjunto de características relevantes para el modelo, eliminando las que son irrelevantes o redundantes, lo que mejora la eficiencia y la precisión.
  • Extracción de características: Implica transformar los datos originales en un conjunto de características más informativas que puedan ser mejor comprendidas por los algoritmos de Machine Learning.

Técnicas descriptivas y predictivas:

  • Técnicas descriptivas: Se utilizan para analizar y resumir características de los datos sin hacer predicciones. Ejemplos incluyen el análisis de clusters o la minería de asociaciones.
  • Técnicas predictivas: Se enfocan en hacer predicciones sobre eventos futuros basados en datos históricos, como los modelos de regresión o las redes neuronales.

Aplicaciones de la IA en Salud:

  • La IA se aplica en diagnósticos médicos, análisis de imágenes, medicina personalizada, predicción de brotes epidemiológicos y en el diseño de tratamientos a medida. Ayuda a los profesionales de la salud a tomar decisiones más informadas y a mejorar la precisión de los diagnósticos.

Ley de Inteligencia Artificial de la UE:

  • La UE ha desarrollado un marco regulatorio para la IA que se centra en garantizar que el desarrollo y uso de la IA sean éticos, transparentes y seguros. La ley establece normas para el desarrollo de IA que minimicen los riesgos y aseguren la protección de los derechos fundamentales de las personas.

Cuestionario – Tema 75: Inteligencia Artificial (IA)

1. ¿Cuál es la principal ventaja de los modelos interpretables frente a los no interpretables?

a) Los modelos interpretables son más rápidos en el proceso de entrenamiento.
b) Los modelos interpretables permiten entender cómo se toman las decisiones, lo cual es crucial en sectores como la medicina.
c) Los modelos interpretables tienen un mayor poder predictivo.
d) Los modelos interpretables requieren menos datos para entrenarse.

Respuesta correcta: b) Los modelos interpretables permiten entender cómo se toman las decisiones, lo cual es crucial en sectores como la medicina.
Explicación: La principal ventaja de los modelos interpretables es que sus resultados pueden ser comprendidos y justificados por los usuarios, lo cual es esencial en aplicaciones como la medicina, donde los profesionales deben entender las decisiones tomadas por el sistema.

2. ¿Cuál de los siguientes algoritmos se utiliza principalmente para la clasificación binaria?

a) Regresión lineal.
b) Redes neuronales.
c) Regresión logística.
d) Árbol de regresión.

Respuesta correcta: c) Regresión logística.
Explicación: La regresión logística se utiliza para clasificación binaria, es decir, para predecir la probabilidad de que una observación pertenezca a una de dos clases posibles (por ejemplo, enfermo/sano).

3. ¿Cuál es el propósito de las redes neuronales profundas (Deep Learning)?

a) Identificar relaciones lineales simples en los datos.
b) Realizar análisis descriptivos sobre grandes volúmenes de datos.
c) Aprender patrones complejos a partir de grandes cantidades de datos.
d) Realizar predicciones a partir de datos no estructurados.

Respuesta correcta: c) Aprender patrones complejos a partir de grandes cantidades de datos.
Explicación: Las redes neuronales profundas (Deep Learning) se utilizan para aprender patrones complejos en grandes volúmenes de datos, especialmente en áreas como el procesamiento de imágenes y el análisis de texto.

4. ¿Qué técnica se utiliza para seleccionar un conjunto de características relevantes para un modelo de Machine Learning?

a) Extracción de características.
b) Normalización de datos.
c) Selección de características.
d) Segmentación de datos.

Respuesta correcta: c) Selección de características.
Explicación: La selección de características implica elegir las características más relevantes y eliminar las que no aportan valor al modelo, mejorando así la eficiencia y precisión.

5. ¿Cuál de las siguientes afirmaciones es correcta sobre las aplicaciones de la IA en la salud?

a) La IA solo se utiliza para el diagnóstico de enfermedades, no en el tratamiento.
b) La IA puede predecir brotes epidemiológicos y ayudar a personalizar los tratamientos.
c) La IA es útil solo para el análisis de imágenes médicas.
d) La IA no tiene aplicaciones prácticas en el sector de la salud.

Respuesta correcta: b) La IA puede predecir brotes epidemiológicos y ayudar a personalizar los tratamientos.
Explicación: La IA tiene diversas aplicaciones en el ámbito sanitario, desde la predicción de brotes epidemiológicos hasta la personalización de tratamientos, mejorando la eficiencia y la precisión en el cuidado de la salud.

6. ¿Qué diferencia a un algoritmo basado en reglas de un algoritmo basado en árboles?

a) Los algoritmos basados en reglas utilizan reglas lógicas para la clasificación o asociación de datos, mientras que los algoritmos basados en árboles dividen los datos en subgrupos mediante nodos y ramas.
b) Los algoritmos basados en árboles utilizan reglas lógicas, mientras que los algoritmos basados en reglas dividen los datos en subgrupos.
c) Los algoritmos basados en reglas son más complejos que los algoritmos basados en árboles.
d) No existe diferencia entre ambos tipos de algoritmos.

Respuesta correcta: a) Los algoritmos basados en reglas utilizan reglas lógicas para la clasificación o asociación de datos, mientras que los algoritmos basados en árboles dividen los datos en subgrupos mediante nodos y ramas.
Explicación: Los algoritmos basados en reglas utilizan condiciones explícitas (reglas) para clasificar o asociar datos, mientras que los algoritmos basados en árboles crean una estructura jerárquica de decisiones, dividiendo los datos en función de sus características.

 

7. ¿Qué establece la Ley de Inteligencia Artificial de la UE?

a) Permite que los modelos de IA se utilicen sin restricciones, independientemente de los riesgos.
b) Regula el uso de IA asegurando que se utilice de manera ética, transparente y segura.
c) Solo regula la IA utilizada en aplicaciones militares.
d) No establece normativas específicas, solo directrices generales.

Respuesta correcta: b) Regula el uso de IA asegurando que se utilice de manera ética, transparente y segura.
Explicación: La Ley de Inteligencia Artificial de la UE establece un marco normativo detallado para garantizar que las tecnologías de IA se usen de forma ética y responsable. Regula su desarrollo y aplicación para minimizar los riesgos, especialmente en áreas como la privacidad y la no discriminación, asegurando la transparencia y seguridad en su implementación.


8. ¿Qué tipo de algoritmo es más adecuado para realizar predicciones sobre datos numéricos continuos?

a) Árbol de clasificación.
b) Árbol de regresión.
c) Regresión logística.
d) Redes neuronales.

Respuesta correcta: b) Árbol de regresión.
Explicación: El árbol de regresión es adecuado para predecir valores continuos, ya que, a diferencia de los árboles de clasificación, no clasifica en categorías, sino que ajusta una predicción numérica para cada caso en función de las variables independientes.


9. ¿Qué se entiende por «Deep Learning» dentro de las redes neuronales?

a) Un enfoque de redes neuronales con pocas capas que solo se utiliza para clasificación binaria.
b) Un subcampo de la IA que utiliza redes neuronales con múltiples capas para modelar patrones complejos en grandes cantidades de datos.
c) Un algoritmo basado en reglas que no requiere aprendizaje.
d) Un tipo de algoritmo que solo se utiliza para clasificación de texto.

Respuesta correcta: b) Un subcampo de la IA que utiliza redes neuronales con múltiples capas para modelar patrones complejos en grandes cantidades de datos.
Explicación: El Deep Learning es una técnica avanzada de IA que usa redes neuronales profundas, es decir, con muchas capas ocultas, para identificar patrones complejos en grandes volúmenes de datos. Es especialmente útil en tareas como el reconocimiento de imágenes y el procesamiento de lenguaje natural.


10. ¿Cuál es la principal diferencia entre técnicas descriptivas y predictivas en IA?

a) Las técnicas descriptivas se enfocan en predecir eventos futuros, mientras que las predictivas solo describen los datos pasados.
b) Las técnicas descriptivas ayudan a resumir y comprender los datos actuales, mientras que las predictivas se centran en hacer pronósticos sobre eventos futuros.
c) Las técnicas descriptivas solo se aplican a datos no estructurados, mientras que las predictivas solo a datos estructurados.
d) No hay diferencia significativa entre ambas.

Respuesta correcta: b) Las técnicas descriptivas ayudan a resumir y comprender los datos actuales, mientras que las predictivas se centran en hacer pronósticos sobre eventos futuros.
Explicación: Las técnicas descriptivas se utilizan para analizar y comprender patrones pasados y actuales en los datos (como el análisis de clusters), mientras que las técnicas predictivas están diseñadas para hacer predicciones sobre eventos futuros basadas en datos históricos, como en la regresión o redes neuronales.


11. ¿Cuál de las siguientes es una aplicación de la IA en el ámbito de la salud?

a) Mejorar la calidad del sonido en los dispositivos electrónicos.
b) Predecir la demanda de productos en el comercio minorista.
c) Ayudar en el diagnóstico médico, como en la interpretación de imágenes médicas.
d) Controlar el tráfico en las ciudades.

Respuesta correcta: c) Ayudar en el diagnóstico médico, como en la interpretación de imágenes médicas.
Explicación: La IA tiene aplicaciones muy importantes en la salud, como en el análisis de imágenes médicas (rayos X, resonancias, etc.), donde los algoritmos pueden identificar patrones de enfermedades que a veces son difíciles de detectar para los médicos, mejorando así el diagnóstico y tratamiento.


12. ¿Qué algoritmo es particularmente útil para trabajar con datos de tipo categórico y para asignar una etiqueta a un conjunto de datos?

a) Regresión lineal.
b) Árbol de clasificación.
c) K-medias.
d) Regresión polinómica.

Respuesta correcta: b) Árbol de clasificación.
Explicación: Los árboles de clasificación son una de las mejores opciones para trabajar con datos categóricos, ya que dividen los datos en nodos y ramas en función de las características, asignando una etiqueta o clase a cada conjunto de datos.


13. ¿Cuál de los siguientes es un ejemplo de técnica de extracción de características en el contexto de Machine Learning?

a) Seleccionar las características más relevantes para el modelo de predicción.
b) Convertir las características originales en un nuevo conjunto de características más informativas.
c) Usar un algoritmo de clasificación para predecir una variable dependiente.
d) Normalizar los datos para que tengan una escala uniforme.

Respuesta correcta: b) Convertir las características originales en un nuevo conjunto de características más informativas.
Explicación: La extracción de características implica transformar los datos originales en un nuevo conjunto de características que puedan ser más fácilmente entendidas por los algoritmos de Machine Learning, mejorando la capacidad predictiva del modelo.


14. En el contexto de la IA, ¿qué se entiende por «técnicas de selección de características»?

a) Transformar las características originales en un conjunto más pequeño y relevante de características.
b) Eliminar las características irrelevantes o redundantes del conjunto de datos.
c) Dividir los datos en categorías o clusters según su similitud.
d) Aplicar un algoritmo de clasificación para decidir qué características se utilizan.

Respuesta correcta: b) Eliminar las características irrelevantes o redundantes del conjunto de datos.
Explicación: La selección de características implica identificar y eliminar las características que no aportan valor al modelo o que son redundantes, mejorando la eficiencia y la precisión del modelo de Machine Learning.

 

15. ¿Cuál de los siguientes algoritmos es más adecuado para predecir valores continuos en lugar de categorías?

a) Árbol de clasificación.
b) Regresión logística.
c) Árbol de regresión.
d) K-medias.

Respuesta correcta: c) Árbol de regresión.
Explicación: El árbol de regresión es el algoritmo más adecuado para predecir valores continuos. Este modelo ajusta una función de predicción continua en función de los datos de entrada.

  • a) Árbol de clasificación: Este algoritmo se utiliza para clasificar datos en categorías discretas, no para predecir valores continuos.
  • b) Regresión logística: Aunque se usa en modelos de predicción, se aplica para clasificación binaria (dos categorías), no para predecir valores continuos.
  • d) K-medias: Este es un algoritmo de clustering (agrupamiento), no está diseñado para predecir valores continuos.

16. En el contexto de la IA, ¿qué es un «modelo no interpretable»?

a) Un modelo cuyo funcionamiento es fácil de comprender por los usuarios.
b) Un modelo cuyas decisiones y resultados son difíciles de explicar o entender, como las redes neuronales profundas.
c) Un modelo que siempre proporciona resultados exactos y transparentes.
d) Un modelo que solo se usa para describir los datos, no para hacer predicciones.

Respuesta correcta: b) Un modelo cuyas decisiones y resultados son difíciles de explicar o entender, como las redes neuronales profundas.
Explicación: Los modelos no interpretables son aquellos cuyo funcionamiento es tan complejo que resulta difícil para los humanos entender cómo se generan las decisiones o predicciones. Ejemplos típicos son las redes neuronales profundas.

  • a) Un modelo cuyo funcionamiento es fácil de comprender describe un modelo interpretable, no un no interpretable.
  • c) Un modelo que siempre proporciona resultados exactos y transparentes no es una característica de los modelos no interpretables, ya que estos son precisamente opacos en sus decisiones.
  • d) Un modelo que solo se usa para describir los datos se refiere a un modelo descriptivo, no necesariamente no interpretable.

17. ¿Qué técnica de Machine Learning se utiliza para encontrar grupos de elementos similares en un conjunto de datos?

a) Regresión lineal.
b) Clustering o agrupamiento.
c) Árboles de decisión.
d) Regresión polinómica.

Respuesta correcta: b) Clustering o agrupamiento.
Explicación: El clustering (agrupamiento) es una técnica de aprendizaje no supervisado que organiza los datos en grupos o «clusters» de elementos similares. Esta técnica no necesita etiquetas y se basa en la similitud entre los datos.

  • a) Regresión lineal: Es un modelo supervisado que predice una variable continua, no es adecuado para encontrar grupos de elementos similares.
  • c) Árboles de decisión: Son modelos supervisados que se utilizan para clasificar o predecir valores, no para agrupar datos.
  • d) Regresión polinómica: Aunque permite modelar relaciones no lineales, es un algoritmo supervisado utilizado para predicción, no para agrupamiento.

18. ¿Qué significa «Machine Learning supervisado»?

a) El algoritmo aprende de los datos sin supervisión externa.
b) El algoritmo aprende de los datos con etiquetas o resultados conocidos.
c) El algoritmo no requiere de datos para aprender.
d) El algoritmo solo puede realizar tareas de clasificación.

Respuesta correcta: b) El algoritmo aprende de los datos con etiquetas o resultados conocidos.
Explicación: Machine Learning supervisado implica entrenar un modelo con un conjunto de datos que incluye tanto las características de entrada como las etiquetas o resultados esperados. Esto permite que el modelo haga predicciones basadas en esos datos etiquetados.

  • a) El algoritmo aprende de los datos sin supervisión externa describe el aprendizaje no supervisado, donde no se requieren etiquetas en los datos.
  • c) El algoritmo no requiere de datos para aprender es incorrecto, ya que todo modelo de Machine Learning necesita datos para entrenarse.
  • d) El algoritmo solo puede realizar tareas de clasificación no es cierto, ya que el Machine Learning supervisado también se aplica a la regresión (predicción de valores continuos), no solo a clasificación.

19. ¿Qué tipo de algoritmo es utilizado en un sistema de recomendación, como los que usa Netflix o Amazon?

a) Algoritmos de clustering.
b) Algoritmos de clasificación.
c) Algoritmos de filtrado colaborativo.
d) Algoritmos de regresión.

Respuesta correcta: c) Algoritmos de filtrado colaborativo.
Explicación: Los algoritmos de filtrado colaborativo son una técnica clave en los sistemas de recomendación. Utilizan las interacciones y preferencias de usuarios similares para predecir qué artículos (películas, productos) podrían gustar a un usuario.

  • a) Algoritmos de clustering: El clustering agrupa los datos pero no está orientado a realizar recomendaciones personalizadas como el filtrado colaborativo.
  • b) Algoritmos de clasificación: Aunque pueden ser útiles para asignar categorías, no son la mejor opción para realizar recomendaciones personalizadas basadas en preferencias de usuarios.
  • d) Algoritmos de regresión: Son útiles para predecir valores continuos, pero no están diseñados para hacer recomendaciones personalizadas como el filtrado colaborativo.

20. ¿Qué técnica de IA permite mejorar la precisión del modelo al ajustar sus parámetros durante el entrenamiento?

a) Clustering.
b) Optimización.
c) Selección de características.
d) Análisis de regresión.

Respuesta correcta: b) Optimización.
Explicación: La optimización se refiere al proceso de ajustar los parámetros de un modelo para minimizar la función de error durante el entrenamiento, mejorando así la precisión del modelo.

  • a) Clustering: Es un algoritmo de agrupamiento no supervisado y no se utiliza para mejorar la precisión de un modelo ajustando parámetros.
  • c) Selección de características: La selección de características ayuda a elegir las variables más relevantes, pero no ajusta los parámetros del modelo.
  • d) Análisis de regresión: Es un tipo de modelo, no una técnica para mejorar la precisión del modelo ajustando sus parámetros. Aunque puede usar optimización para encontrar el mejor ajuste, no es el término específico que describe el proceso de ajuste de parámetros.

21. ¿Qué tipo de datos se considera no estructurado en el contexto de IA?

a) Bases de datos relacionales.
b) Archivos CSV con datos tabulares.
c) Texto libre, imágenes y videos.
d) Datos numéricos organizados en tablas.

Respuesta correcta: c) Texto libre, imágenes y videos.
Explicación: Los datos no estructurados son aquellos que no tienen un formato predefinido o fijo, como el texto libre, imágenes, o videos. Son más difíciles de organizar y procesar que los datos estructurados.

  • a) Bases de datos relacionales: Son estructurados, ya que los datos se organizan en tablas con relaciones definidas.
  • b) Archivos CSV con datos tabulares: Son un ejemplo de datos estructurados, donde los datos están organizados en un formato tabular.
  • d) Datos numéricos organizados en tablas: Son también estructurados, ya que siguen un formato claro y ordenado en tablas.

 

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *