IA y TinyML - Quiz

Froggy Jumps

Played 0

Create copy

About this activity

Quiz sobre IA, ML y TinyML

Created by

Isaac Gallegos

Mexico

Download the paper version to play

Top 10 results

There are still no results for this game. Be the first to stay in the ranking! Log in to identify yourself.

Make your own free game from our game creator

Compete against your friends to see who gets the best score in this game

Make challenge

Ethos, Pathos, and Logos Quiz

Kristine Vester

United States

(131)

Test your knowledge of ethos, pathos, and logos with these 10 questions on examples of persuasive techniques.
pizza

Lorelay Tyana

Romania

(259)

joc despre pizza
The Integumentary System

Breanna Nesbitt

United States

(58)

Functions and Structures of the skin
Phlebotomy Order of Draw Quiz

Pamela Chapman

United States

(59)

Test your knowledge of the order of draw in Phlebotomy with these 10 questions!
Bill of Rights Game - The Constitutionalist

Doni The Don

United States

(89)

Test your knowledge on the Bill of Rights. A fun way to test your knowledge and focus on where you need to improve.

		%
	Anonymous	%
		%
		%

Print your game

IA y TinyML - Quiz


Froggy Jumps IA y TinyML - QuizOnline version Quiz sobre IA, ML y TinyML by Isaac Gallegos 1 Q1: ¿Qué es IA según la definición del curso? a B: Un conjunto de sensores y microcontroladores para analizar señales. b C: Disciplina que estudia y desarrolla teorías, tecnología y aplicaciones que simulan y amplían la i c A: Un software que automatiza tareas repetitivas con reglas fijas. 2 Q2: ¿Qué pregunta guía clásica se asocia con el origen conceptual de la IA (Turing)? a C: «¿Pueden pensar las máquinas?» b A: «¿Pueden las máquinas sentir emociones humanas?» c B: «¿Podemos reemplazar por completo al humano en cualquier tarea?» 3 Q3: ¿Qué significa TinyML en el contexto del curso? a C: Tecnologías y aplicaciones de ML que permiten análisis de datos de sensores en el dispositivo con b B: IA enfocada solo en imágenes de alta resolución. c A: Modelos grandes en la nube que se consultan desde un microcontrolador. 4 Q4: ¿Cuáles son las 3 áreas clave (limitantes) que más aparecen en TinyML? a B: Internet, servidor y bases de datos. b C: Memoria, batería (energía) y desempeño (performance/latencia). c A: Resolución de pantalla, GPU y almacenamiento masivo. 5 Q5: ¿Cuál es una preocupación ética típica al desplegar IA (según el enfoque del curso)? a C: Privacidad, sesgo/discriminación, seguridad y consecuencias si falla. b B: Que el modelo tarde más de 1 minuto en entrenar. c A: Que el modelo use demasiadas líneas de código. 6 Q6: ¿Qué es “drift” del modelo en despliegue? a A: Cuando el modelo cambia de microcontrolador a Raspberry Pi. b C: Cuando cambian las características del entorno/datos y el modelo pierde desempeño porque fue “ens c B: Cuando el dataset se ordena diferente en cada ejecución. 7 Q7: ¿Qué diferencia esencial se menciona entre aprendizaje por refuerzo y supervisado? a B: En refuerzo no existe el entorno, solo un dataset fijo. b C: En refuerzo el entorno da señales escalares de recompensa para evaluar acciones, no “la acción co c A: En refuerzo siempre hay etiquetas perfectas por cada muestra. 8 Q8: ¿Qué tendencias/nuevos tipos de aprendizaje se mencionan como evolución del AA? a C: Aprendizaje autosupervisado, contrastivo y generativo. b A: Solo aprendizaje supervisado y reglas expertas. c B: Solo clustering y reducción de dimensionalidad. 9 Q9: ¿Qué es ML (Aprendizaje Automático) dentro de IA, en una definición correcta? a C: Subcampo que desarrolla algoritmos que aprenden patrones desde datos/ejemplos para resolver probl b B: Ajustar sensores para leer voltajes con menor ruido. c A: Programar manualmente todas las reglas si-entonces del sistema. 10 Q10: ¿Qué es Deep Learning (DL) de forma general? a A: Un método de compresión de datos para microcontroladores. b C: Un enfoque de ML basado en redes neuronales con múltiples capas que aprende representaciones comp c B: Un tipo de base de datos para grandes volúmenes. 11 Q11: ¿Por qué “más features” NO siempre significa mejor modelo? a A: Porque el modelo se vuelve más bonito gráficamente. b B: Porque ya no se pueden guardar en Excel. c C: Porque aumenta complejidad/costo, crece el espacio de búsqueda y features irrelevantes pueden int 12 Q12: ¿Qué es la selección de características (feature selection)? a B: Duplicar columnas para “tener más datos”. b C: Proceso de elegir variables relevantes para mejorar desempeño/generalización y reducir costo y ru c A: Elegir el color de la gráfica del entrenamiento. 13 Q13: ¿Qué es FFT? a B: Un protocolo de comunicación para sensores. b A: Un filtro analógico para amplificadores operacionales. c C: Algoritmo rápido para calcular la Transformada Discreta de Fourier y obtener contenido en frecuen 14 Q14: ¿Qué es un “kernel” en el contexto de procesamiento/convolución/CNN? a B: Un pin del micro usado para interrupciones. b A: Un archivo del sistema operativo del microcontrolador. c C: Una matriz/filtro de pesos que se aplica para extraer patrones (por ejemplo, en convolución). 15 Q15: ¿Qué es DMA en un microcontrolador? a B: Un tipo de compresión de imágenes. b A: Una técnica para subir el modelo a la nube. c C: Acceso directo a memoria: permite mover datos periférico→RAM sin cargar tanto a la CPU. 16 Q16: ¿Qué cubre la Unidad II principalmente? a A: Historia de la IA y debates filosóficos. b C: Introducción a algoritmos clásicos de ML, selección/preprocesamiento de features, entrenamiento, c B: Solo ética y regulación. 17 Q17: ¿Qué es preprocesamiento de datos en ML? a A: Ponerle nombre al proyecto y guardarlo en carpetas. b C: Limpieza y transformaciones para que los datos sean adecuados para entrenar (normalizar, filtrar, c B: Dibujar el diagrama de bloques del microcontrolador. 18 Q18: ¿Qué busca la “limpieza de datos”? a B: Convertir todo a texto para que “pese menos”. b A: Aumentar el número de clases aunque no existan. c C: Reducir errores/ruido, valores faltantes y outliers para mejorar consistencia del dataset. 19 Q19: ¿Cuál es la diferencia correcta entre regresión lineal y logística? a B: Son idénticas; solo cambia el nombre. b C: Lineal predice valores continuos; logística modela probabilidad para clasificación (binaria o mul c A: Lineal sirve para clases y logística para números continuos. 20 Q20: ¿Qué entrega típicamente la regresión logística? a B: Un cluster sin etiquetas. b A: Un voltaje directamente en el ADC. c C: Probabilidades de pertenencia a una clase (y una clase final por umbral/argmax). 21 Q21: ¿Qué es KNN (k-nearest neighbors)? a B: Un método que solo funciona con imágenes 4K. b A: Un modelo que siempre aprende pesos por backpropagation. c C: Algoritmo que clasifica (o estima) usando las etiquetas/valores de los k vecinos más cercanos seg 22 Q22: ¿Qué efecto típico tiene elegir k muy pequeño en KNN? a C: Puede volverlo sensible a ruido (alta varianza) y sobreajustar. b B: Hace el modelo “más lineal”. c A: Reduce el riesgo de overfitting siempre. 23 Q23: ¿Qué es un árbol de decisión? a B: Un método que necesita FFT para funcionar. b A: Una red neuronal con millones de parámetros. c C: Modelo que divide el espacio de datos con reglas tipo “si-entonces” en nodos para llegar a una pr 24 Q24: ¿Qué es SVM (SVC) en clasificación? a B: Un método solo para datos no etiquetados. b A: Un algoritmo de compresión sin pérdida. c C: Clasificador que busca un hiperplano con máximo margen; puede usar kernels para separación no lin 25 Q25: ¿Para qué se usan kernels en SVM? a B: Para eliminar la necesidad de entrenamiento. b A: Para reducir la frecuencia de muestreo del sensor. c C: Para mapear datos a espacios de mayor dimensión y permitir separación no lineal. 26 Q26: ¿Qué es división básica del dataset para evaluación? a B: Solo separar por colores o por orden alfabético. b C: Separar en entrenamiento y prueba (y normalmente validación) para estimar generalización. c A: Entrenar con el 100% y evaluar con el mismo 100%. 27 Q27: ¿Qué es k-fold cross-validation? a B: Probar k modelos totalmente diferentes sin criterio. b C: Técnica que divide el dataset en k partes y rota cuál es validación para obtener una estimación m c A: Entrenar una vez y ya no medir nada. 28 Q28: ¿Qué es una matriz de confusión multiclase? a B: Una gráfica de FFT. b A: Una tabla de voltajes del ADC. c C: Tabla que compara clase real vs clase predicha por clase, mostrando aciertos y confusiones. 29 Q29: ¿Qué mide “precisión” (precision) en clasificación? a A: Qué tan rápido corre el código en el STM32. b C: De las predicciones positivas, qué fracción fue correcta (TP/(TP+FP)). c B: Cuántos datos tiene el dataset. 30 Q30: ¿Qué mide “recall” en clasificación? a B: El porcentaje de datos normalizados. b A: Qué tan bonito se ve el dashboard. c C: De los positivos reales, qué fracción detectó el modelo (TP/(TP+FN)). 31 Q31: ¿Qué caracteriza al Deep Learning (Unidad III) frente a ML clásico? a B: DL no necesita entrenamiento. b A: DL siempre requiere menos datos que ML clásico. c C: DL tiende a ser end-to-end: aprende representaciones/features automáticamente mediante redes neur 32 Q32: ¿Qué es una “capa (layer)” en una red neuronal? a C: Conjunto de neuronas/operaciones que transforman entradas a salidas mediante pesos, sesgos y acti b A: Una carpeta dentro del proyecto. c B: Un pin de entrada del microcontrolador. 33 Q33: ¿Qué son los “weights” en una red neuronal? a C: Parámetros aprendidos que escalan/conectan entradas con neuronas para minimizar la pérdida. b A: Los nombres de los archivos del modelo. c B: Valores fijos que nunca cambian. 34 Q34: ¿Qué es el “bias” en una neurona? a B: El ruido térmico del ADC. b C: Parámetro que desplaza la suma ponderada y permite ajustar el umbral/offset de activación. c A: Un error inevitable del sensor. 35 Q35: ¿Qué es una función de activación? a B: Un método para guardar datos en CSV. b C: Función no lineal aplicada a la salida de una neurona (ej. ReLU, sigmoid, tanh) para modelar rela c A: Un cronómetro para medir epochs. 36 Q36: ¿Qué es una función de pérdida (loss/cost)? a B: El tiempo que tarda en compilar. b A: La energía consumida por el micro. c C: Medida de la diferencia entre la salida esperada y la salida real del modelo. 37 Q37: ¿Qué es una epoch? a C: Un paso completo donde todo el dataset pasa por el algoritmo de aprendizaje una vez. b B: Reiniciar el microcontrolador cada minuto. c A: Procesar 1 sola muestra y actualizar el modelo. 38 Q38: ¿Qué es un batch (lote)? a C: Subconjunto de N muestras usado para calcular gradientes/actualizar parámetros en una iteración. b A: El total del dataset siempre. c B: Un archivo binario del firmware. 39 Q39: ¿Qué describe Batch Gradient Descent? a A: Actualiza parámetros con 1 muestra a la vez. b B: Nunca usa el gradiente. c C: Calcula el gradiente usando todo el dataset y actualiza una vez por epoch. 40 Q40: ¿Qué describe Stochastic Gradient Descent (SGD)? a B: Actualiza con todo el dataset siempre. b C: Actualiza parámetros usando 1 ejemplo a la vez, introduciendo ruido útil para escapar mínimos loc c A: Actualiza una vez por cada 10 epochs. 41 Q41: ¿Qué describe Mini-batch Gradient Descent? a C: Calcula gradientes con mini-lotes: balancea estabilidad y velocidad, y aprovecha vectorización. b A: Solo sirve si el dataset tiene 3 muestras. c B: Evita totalmente el ajuste de hiperparámetros. 42 Q42: En CNN, ¿qué es “stride”? a A: El número de clases del modelo. b B: El tamaño del batch. c C: El paso con el que se desplaza el kernel/filtro sobre la entrada. 43 Q43: En CNN, ¿qué es “padding”? a C: Relleno (normalmente con ceros) alrededor de la entrada para controlar tamaño de salida y conserv b A: Una técnica para borrar columnas del dataset. c B: Un método para cambiar k en KNN. 44 Q44: ¿Qué es una capa de pooling? a A: Una capa que siempre aumenta resolución. b C: Capa que reduce dimensión espacial (ej. max/avg pooling) para bajar costo y resumir features. c B: Una capa que convierte todo a texto. 45 Q45: ¿Para qué sirve normalización en redes neuronales? a A: Para que el modelo tenga más capas automáticamente. b C: Para estabilizar entrenamiento y mejorar convergencia al escalar datos/activaciones a rangos adec c B: Para eliminar la necesidad de validación. 46 Q46: ¿Qué aborda la Unidad IV del curso? a C: Aplicaciones de AA en sistemas embebidos y técnicas de optimización para correr modelos en dispos b A: Solo historia de la IA. c B: Solo álgebra lineal teórica. 47 Q47: ¿Qué significa optimizar a nivel “MODEL” en embedded ML? a A: Cambiar el cableado del I2C. b B: Aumentar el tamaño del dataset para que “pese más”. c C: Modificar el modelo para que sea más ligero (menos parámetros/operaciones) manteniendo desempeño 48 Q48: ¿Qué significa optimizar a nivel “SOFTWARE”? a A: Cambiar el sensor por uno más caro. b C: Mejorar implementación (librerías, kernels eficientes, uso de aceleración, memoria) para ejecutar c B: Subir todo a la nube y apagar el micro. 49 Q49: ¿Qué significa optimizar a nivel “HARDWARE”? a C: Usar mejor hardware o aceleradores (DSP/NPU), y ajustar arquitectura para rendimiento/energía. b B: Agregar más clases al modelo sin razón. c A: Cambiar de Python a Excel. 50 Q50: ¿Cuál es el tipo usual de cuantización mencionado en el material? a B: Cuantización solo de entradas (no del modelo). b A: Cuantización antes de entrenar obligatoriamente. c C: PTQ (Post-Training Quantization): cuantización después de entrenar. 51 Q51: ¿Qué busca la cuantización en TinyML? a B: Aumentar el tamaño del modelo para “mejorar calidad”. b A: Convertir imágenes en audio. c C: Reducir tamaño y costo computacional (ej. float32→int8) para memoria/latencia/energía, con pérdid 52 Q52: ¿Qué es TensorFlow Lite for Microcontrollers (TFLM)? a C: Framework para correr inferencias de modelos pequeños en microcontroladores con memoria limitada. b A: Una app para entrenar GPT-3 en STM32. c B: Un simulador de circuitos tipo SPICE. 53 Q53: ¿Qué es un “Operations Resolver” en TFLM? a B: Un convertidor USB-UART. b C: Componente que registra/declara qué operaciones (ops) del modelo estarán disponibles en el runtim c A: Un archivo para guardar datos del acelerómetro. 54 Q54: ¿Por qué importa declarar solo las ops necesarias en el resolver? a C: Porque reduce memoria/código incluido: solo se compilan/usan las operaciones requeridas por el mo b B: Porque así el modelo entrena más rápido. c A: Porque si declaras más, el ADC deja de funcionar. 55 Q55: En embedded, ¿por qué es crítico medir desempeño además de exactitud? a C: Porque hay restricciones de latencia en tiempo real, consumo de energía y memoria disponibles. b A: Porque la exactitud no se puede calcular en clasificación. c B: Porque el dataset se vuelve inválido. 56 Q56: ¿Qué significa “always-on” en casos de uso TinyML? a C: Que el dispositivo puede ejecutar inferencias continuamente con consumo muy bajo, típicamente ali b A: Que el modelo corre solo cuando hay WiFi. c B: Que el modelo se usa solo en PCs. 57 Q57: ¿Qué trade-off es típico al optimizar modelos para microcontroladores? a C: Se balancea exactitud vs tamaño/latencia/energía: optimizar recursos puede bajar un poco la exact b A: Más memoria siempre implica menos energía, sin excepción. c B: Más exactitud siempre reduce latencia automáticamente. 58 Q58: En un sistema distribuido PC + STM (actividad con acelerómetro), ¿qué se hace en el STM según la práctica? a A: Entrenar el modelo grande desde cero. b C: Leer IMU (mG), enviar por serial en formato esperado y ejecutar/validar el flujo con Python para c B: Generar el dataset de internet automáticamente. 59 Q59: ¿Cuál es un orden correcto de etapas en esa aplicación distribuida (resumido)? a B: Entrenamiento → compra de sensores → limpieza → convertir a PDF. b C: Lectura IMU → envío serial → adquisión por clase → preprocesamiento/entrenamiento → evaluación → c A: Inferencia → evaluación → adquisición de muestras → entrenamiento. 60 Q60: ¿Qué porcentaje mínimo de funcionamiento exacto menciona el aviso del examen para la parte práctica? a B: 70% b C: Mayor al 85% c A: 50%

IA y TinyML - Quiz

Froggy Jumps

About this activity

Created by

Download the paper version to play

Top Games

Froggy Jumps

Ethos, Pathos, and Logos Quiz

Froggy Jumps

pizza

Froggy Jumps

The Integumentary System

Froggy Jumps

Phlebotomy Order of Draw Quiz

Froggy Jumps

Bill of Rights Game - The Constitutionalist

Froggy Jumps

IA y TinyML - QuizOnline version

by Isaac Gallegos

Q1: ¿Qué es IA según la definición del curso?

Q2: ¿Qué pregunta guía clásica se asocia con el origen conceptual de la IA (Turing)?

Q3: ¿Qué significa TinyML en el contexto del curso?

Q4: ¿Cuáles son las 3 áreas clave (limitantes) que más aparecen en TinyML?

Q5: ¿Cuál es una preocupación ética típica al desplegar IA (según el enfoque del curso)?

Q6: ¿Qué es “drift” del modelo en despliegue?

Q7: ¿Qué diferencia esencial se menciona entre aprendizaje por refuerzo y supervisado?

Q8: ¿Qué tendencias/nuevos tipos de aprendizaje se mencionan como evolución del AA?

Q9: ¿Qué es ML (Aprendizaje Automático) dentro de IA, en una definición correcta?

Q10: ¿Qué es Deep Learning (DL) de forma general?

Q11: ¿Por qué “más features” NO siempre significa mejor modelo?

Q12: ¿Qué es la selección de características (feature selection)?

Q13: ¿Qué es FFT?

Q14: ¿Qué es un “kernel” en el contexto de procesamiento/convolución/CNN?

Q15: ¿Qué es DMA en un microcontrolador?

Q16: ¿Qué cubre la Unidad II principalmente?

Q17: ¿Qué es preprocesamiento de datos en ML?

Q18: ¿Qué busca la “limpieza de datos”?

Q19: ¿Cuál es la diferencia correcta entre regresión lineal y logística?

Q20: ¿Qué entrega típicamente la regresión logística?

Q21: ¿Qué es KNN (k-nearest neighbors)?

Q22: ¿Qué efecto típico tiene elegir k muy pequeño en KNN?

Q23: ¿Qué es un árbol de decisión?

Q24: ¿Qué es SVM (SVC) en clasificación?

Q25: ¿Para qué se usan kernels en SVM?

Q26: ¿Qué es división básica del dataset para evaluación?

Q27: ¿Qué es k-fold cross-validation?

Q28: ¿Qué es una matriz de confusión multiclase?

Q29: ¿Qué mide “precisión” (precision) en clasificación?

Q30: ¿Qué mide “recall” en clasificación?

Q31: ¿Qué caracteriza al Deep Learning (Unidad III) frente a ML clásico?

Q32: ¿Qué es una “capa (layer)” en una red neuronal?

Q33: ¿Qué son los “weights” en una red neuronal?

Q34: ¿Qué es el “bias” en una neurona?

Q35: ¿Qué es una función de activación?

Q36: ¿Qué es una función de pérdida (loss/cost)?

Q37: ¿Qué es una epoch?

Q38: ¿Qué es un batch (lote)?

Q39: ¿Qué describe Batch Gradient Descent?

Q40: ¿Qué describe Stochastic Gradient Descent (SGD)?

Q41: ¿Qué describe Mini-batch Gradient Descent?

Q42: En CNN, ¿qué es “stride”?

Q43: En CNN, ¿qué es “padding”?

Q44: ¿Qué es una capa de pooling?

Q45: ¿Para qué sirve normalización en redes neuronales?

Q46: ¿Qué aborda la Unidad IV del curso?

Q47: ¿Qué significa optimizar a nivel “MODEL” en embedded ML?

Q48: ¿Qué significa optimizar a nivel “SOFTWARE”?

Q49: ¿Qué significa optimizar a nivel “HARDWARE”?

Q50: ¿Cuál es el tipo usual de cuantización mencionado en el material?

Q51: ¿Qué busca la cuantización en TinyML?

Q52: ¿Qué es TensorFlow Lite for Microcontrollers (TFLM)?

Q53: ¿Qué es un “Operations Resolver” en TFLM?

Q54: ¿Por qué importa declarar solo las ops necesarias en el resolver?

Q55: En embedded, ¿por qué es crítico medir desempeño además de exactitud?

Q56: ¿Qué significa “always-on” en casos de uso TinyML?

Q57: ¿Qué trade-off es típico al optimizar modelos para microcontroladores?

Q58: En un sistema distribuido PC + STM (actividad con acelerómetro), ¿qué se hace en el STM según la práctica?

Q59: ¿Cuál es un orden correcto de etapas en esa aplicación distribuida (resumido)?

Q60: ¿Qué porcentaje mínimo de funcionamiento exacto menciona el aviso del examen para la parte práctica?