Aprendizaje automático

Rama de la IA en la que un sistema aprende a hacer una tarea a partir de ejemplos, en lugar de seguir reglas escritas una a una por un programador.

Tipo de aprendizaje automático en el que el modelo busca estructura en datos sin etiquetas, por ejemplo agrupando elementos parecidos.

Tipo de aprendizaje automático en el que un agente aprende por ensayo y error, recibiendo recompensas cuando actúa bien y penalizaciones cuando actúa mal.

Tipo de aprendizaje automático en el que el modelo aprende a partir de ejemplos que ya incluyen la respuesta correcta (la etiqueta).

Tarea de aprendizaje supervisado en la que un modelo asigna una o varias categorías a un ejemplo.

Método para entrenar modelos que ajusta los parámetros paso a paso en la dirección que más reduce el error.

Proceso en el que un modelo ajusta sus parámetros viendo muchos ejemplos, hasta que sus respuestas se parecen cada vez más a las correctas.

Fórmula que mide cuánto se equivoca un modelo; entrenar consiste en ajustar el modelo para que ese valor sea lo más pequeño posible.

Capacidad de un modelo para mantener un buen rendimiento en ejemplos nuevos, no utilizados para ajustar sus parámetros.

Ajustes que decide una persona antes de entrenar un modelo, como la velocidad de aprendizaje o el tamaño de la red, y que no se aprenden de los datos.

Algoritmo de aprendizaje no supervisado que agrupa observaciones en k grupos asignándolas al centroide más cercano.

Medidas que resumen el rendimiento de un modelo en datos de evaluación y ayudan a comparar resultados según una tarea y un uso concretos.

Proceso de ajustar los parámetros de un modelo para minimizar una función objetivo, normalmente una función de pérdida medida sobre datos.

Algoritmo de aprendizaje por refuerzo que estima el valor de cada acción en un estado para aprender una política sin conocer de antemano el modelo del entorno.

Tarea de aprendizaje supervisado en la que un modelo estima un valor numérico a partir de ejemplos con resultados conocidos.

Fallo en el que un modelo memoriza los ejemplos de entrenamiento, incluido su ruido, y por eso rinde mal con datos nuevos.

Implementación optimizada de gradient boosting con árboles de decisión, diseñada para entrenar modelos predictivos de forma eficiente.

Capacidad de un modelo para realizar una tarea o reconocer una categoría sin ejemplos etiquetados específicos de esa tarea durante su adaptación.