Datos e IA

Glosario de IA y aprendizaje automático

Contenidos generados por IA

Algoritmo

Conjunto de reglas o instrucciones paso a paso que sigue un ordenador para resolver un problema o realizar una tarea. Los algoritmos de IA pueden ir desde simples reglas de decisión hasta complejos procedimientos matemáticos.

Inteligencia Artificial (IA)

Campo de la informática centrado en la creación de sistemas capaces de realizar tareas que normalmente requieren inteligencia humana. Esto incluye el razonamiento, el aprendizaje, la planificación, la percepción, la comprensión del lenguaje y la resolución de problemas.

Sesgo

Cualquier error sistemático que lleve a un modelo a producir sistemáticamente resultados sesgados en una dirección. El sesgo puede tener su origen en datos de entrenamiento desequilibrados, suposiciones erróneas en el diseño del modelo o la forma en que se recopilaron los datos. Abordar el sesgo es crucial para crear sistemas de IA justos y equitativos.

Agrupación

An unsupervised learning technique that groups similar data points together based on their features or characteristics. Unlike classification, clustering doesn’t use predefined labels. Common clustering algorithms include K-means, DBSCAN, and hierarchical clustering.

Visión por ordenador

Campo de la IA que permite a los ordenadores interpretar y comprender la información visual del mundo. Incluye el reconocimiento de imágenes, la detección de objetos, la reconstrucción de escenas y el análisis de vídeo. Los sistemas de visión por ordenador pretenden reproducir y superar las capacidades visuales humanas.

Árbol de decisión

Modelo predictivo que utiliza una estructura arborescente de decisiones y sus posibles consecuencias. Cada nodo interno representa una decisión basada en una característica, cada rama representa un resultado de esa decisión y cada nodo hoja representa una etiqueta de clase o predicción de valor.

Aprendizaje profundo

A specialized subset of machine learning that uses artificial neural networks with multiple layers (hence “deep”) to progressively extract higher-level features from raw input. Deep learning has revolutionized fields like image recognition, natural language processing, and game playing.

Reducción de la dimensionalidad

A set of techniques used to reduce the number of features in a dataset while preserving as much information as possible. This helps combat the “curse of dimensionality,” improves computational efficiency, and can make patterns more apparent. Common methods include PCA, t-SNE, and autoencoders.

Métodos de conjunto

Técnicas que combinan varios modelos para mejorar el rendimiento global. Al aprovechar los puntos fuertes de los distintos modelos, los conjuntos suelen lograr una mayor precisión y solidez que los modelos individuales. Entre los métodos más populares se encuentran el bagging, el boosting y el stacking.

IA explicable (XAI)

Un campo emergente centrado en hacer que las decisiones de la IA sean transparentes e interpretables para los humanos. El objetivo de la XAI es desarrollar métodos y herramientas que ayuden a los usuarios a entender por qué un sistema de IA ha tomado una decisión determinada, lo que es crucial para generar confianza y garantizar la responsabilidad en aplicaciones de alto riesgo.

Característica

Propiedad o característica mensurable del fenómeno observado. Las características son las entradas que utilizan los modelos de aprendizaje automático para hacer predicciones. Una buena selección e ingeniería de características suele ser crucial para el rendimiento del modelo.

Redes generativas adversariales (GAN)

A framework where two neural networks—a generator and a discriminator—compete against each other. The generator creates synthetic data samples, while the discriminator tries to distinguish between real and fake samples. Through this adversarial process, GANs can produce remarkably realistic synthetic content.

Descenso gradual

An optimization algorithm used to minimize a function by iteratively moving in the direction of steepest descent. In machine learning, it’s used to find the optimal weights for a model by minimizing the loss function. Variants include stochastic gradient descent (SGD) and mini-batch gradient descent.

Hiperparámetros

Ajustes de configuración especificados antes de entrenar un modelo que controlan el proceso de aprendizaje. A diferencia de los parámetros del modelo (pesos y sesgos) que se aprenden durante el entrenamiento, los hiperparámetros deben establecerse manualmente o ajustarse mediante técnicas como la búsqueda en cuadrícula o la optimización bayesiana.

Etiqueta

The target variable or outcome that a supervised learning model aims to predict. Labels are the “answers” provided in training data that the model learns to associate with specific input features.

Función de pérdida

A mathematical function that measures the difference between a model’s predictions and the actual values. The goal during training is to minimize this function. Common loss functions include mean squared error for regression and cross-entropy for classification.

Aprendizaje automático (ML)

Un subconjunto de la IA en el que los sistemas aprenden patrones a partir de los datos sin estar explícitamente programados con reglas. Los algoritmos de ML mejoran su rendimiento con la experiencia, adaptando su comportamiento en función de la exposición a más datos.

Modelo

Representación matemática o computacional que capta patrones en los datos. En el aprendizaje automático, los modelos definen la relación entre las características de entrada y las predicciones de salida. Los modelos pueden ir desde simples ecuaciones lineales a complejas redes neuronales con millones de parámetros.

Procesamiento del lenguaje natural (PLN)

Campo de la Inteligencia Artificial que se ocupa de capacitar a los ordenadores para comprender, interpretar y generar lenguaje humano. La PLN abarca tareas como el análisis de sentimientos, la traducción automática, la respuesta a preguntas y el resumen de textos.

Red neuronal

Sistema informático inspirado en las redes neuronales biológicas del cerebro humano. Consiste en nodos interconectados (neuronas) organizados en capas que procesan la información ajustando la fuerza de las conexiones. Las redes neuronales constituyen la base del aprendizaje profundo.

Sobreajuste

Error de modelización por el que un modelo aprende los datos de entrenamiento de forma demasiado perfecta, incluidos el ruido y los valores atípicos. Un modelo sobreajustado funciona bien con los datos de entrenamiento, pero no generaliza a datos nuevos que no se han visto. Técnicas como la regularización y la validación cruzada ayudan a evitar el sobreajuste.

Bosque aleatorio

Método de aprendizaje conjunto que combina varios árboles de decisión para mejorar la precisión y controlar el sobreajuste. Cada árbol del bosque se entrena con un subconjunto aleatorio de datos y características, y la predicción final suele ser la media (para regresión) o el voto mayoritario (para clasificación) de todos los árboles.

Regularización

Conjunto de técnicas utilizadas para evitar el sobreajuste añadiendo un término de penalización a la función de pérdida que desincentiva los modelos complejos. Los métodos de regularización habituales son L1 (Lasso), L2 (Ridge), abandono y detención temprana.

Aprendizaje por refuerzo

Tipo de aprendizaje automático en el que un agente aprende a tomar decisiones realizando acciones en un entorno para maximizar las recompensas acumuladas. El agente aprende por ensayo y error, recibiendo información en forma de recompensas o penalizaciones. Este enfoque ha tenido éxito en ámbitos como los juegos y la robótica.

Máquina de vectores soporte (SVM)

Algoritmo de aprendizaje supervisado que encuentra el hiperplano óptimo para separar las distintas clases en el espacio de características. El objetivo de las SVM es maximizar el margen entre clases y, mediante el uso de funciones de núcleo, pueden realizar clasificaciones lineales y no lineales.

Aprendizaje supervisado

Paradigma de aprendizaje automático en el que los algoritmos aprenden a partir de datos de entrenamiento etiquetados. El modelo aprende a asignar entradas a salidas basándose en pares de entrada-salida de ejemplo, lo que le permite hacer predicciones sobre nuevos datos no vistos.

Datos de las pruebas

A subset of data used to evaluate a model’s performance after training. This data is kept separate from the training process to provide an unbiased assessment of how well the model generalizes to new, unseen examples.

Datos de formación

Conjunto de datos utilizado para enseñar un modelo de aprendizaje automático. Contiene ejemplos con características y (en el aprendizaje supervisado) sus etiquetas correspondientes. La calidad, cantidad y diversidad de los datos de entrenamiento influyen significativamente en el rendimiento del modelo.

Aprendizaje por transferencia

Técnica en la que los conocimientos adquiridos mediante el entrenamiento de un modelo en una tarea se aplican a una tarea diferente pero relacionada. Este enfoque es especialmente útil cuando se dispone de datos limitados para la tarea de destino, ya que aprovecha el conocimiento preexistente de un dominio de origen.

Insuficiente

Un error de modelización en el que un modelo es demasiado simple para captar los patrones subyacentes en los datos. Un modelo poco ajustado obtiene malos resultados tanto en los datos de entrenamiento como en los de prueba. Las soluciones incluyen el uso de modelos más complejos, la adición de características o la reducción de la regularización.

Aprendizaje no supervisado

Enfoque de aprendizaje automático en el que los algoritmos identifican patrones en datos no etiquetados. Sin orientación explícita sobre qué predecir, estos modelos descubren estructuras, relaciones o agrupaciones ocultas en los datos. Las aplicaciones más comunes son la agrupación, la reducción de la dimensionalidad y la detección de anomalías.

Desviación

A measure of how much a model’s predictions would change if trained on different data. High variance indicates that a model is too sensitive to fluctuations in the training data, often leading to overfitting. The bias-variance tradeoff is a fundamental concept in machine learning model selection.

---