Prueba de codificadores automáticos

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Cuál es el propósito del "cuello de botella" (código latente) en un codificador automático?
   • Forzar la red a una representación compacta que capture la estructura esencial.
   • Para agregar más parámetros y aumentar la capacidad del modelo.
   • Para almacenar etiquetas para clasificación supervisada
   • Para ralentizar el entrenamiento para una mejor estabilidad.
2. ¿Por qué los codificadores automáticos se consideran autosupervisados?
   • Requieren enormes conjuntos de datos etiquetados
   • El objetivo del entrenamiento es la entrada misma, por lo que no se necesitan etiquetas externas.
   • Un humano etiqueta cada reconstrucción a mano
   • Solo funcionan con imágenes preclasificadas.
3. ¿En qué se diferencia un codificador automático con eliminación de ruido de uno estándar?
   • Elimina el decodificador por completo.
   • Sólo funciona con datos de texto.
   • Está capacitado para reconstruir una entrada limpia a partir de una versión corrupta.
   • No requiere capa de cuello de botella
4. ¿Qué hace que un codificador automático variacional (VAE) pueda generar nuevos datos?
   • Memoriza cada ejemplo de entrenamiento.
   • No utiliza decodificador
   • Reemplaza las redes neuronales con árboles de decisión
   • Aprende un espacio latente probabilístico y fluido del que puedes tomar muestras
5. ¿A qué técnica clásica se parece mucho un codificador automático lineal entrenado con error cuadrático medio?
   • Análisis de componentes principales (PCA)
   • K-medias agrupación
   • Árboles de decisión
   • Regresión logística
6. ¿Por qué los codificadores automáticos son adecuados para la detección de anomalías?
   • Etiquetan anomalías durante el entrenamiento
   • Reconstruyen bien patrones comunes pero muestran grandes errores en patrones raros e invisibles.
   • Ignoran por completo el error de reconstrucción.
   • Solo generan clasificaciones binarias.
7. Which reconstruction loss does the guide associate with binary-pixel data?
   • Pérdida de margen triple
   • Temporal-difference error
   • Cross-entropy
   • Cosine annealing loss
8. Why can nonlinear activations make an autoencoder more expressive than a linear one?
   • They force the latent code to equal the input size
   • They remove the decoder from the model
   • They guarantee zero reconstruction error on unseen data
   • They allow it to learn nonlinear or curved structures in the data