Algoritmo de aprendizaje por refuerzo utilizado en inteligencia artificial. Se utiliza para aprender una política óptima para tomar decisiones secuenciales en entornos basados en recompensas y penalizaciones. Q-Learning utiliza una función de valor llamada Q-function para estimar el valor esperado de una acción en un estado dado. El algoritmo ajusta iterativamente los valores de Q-function a medida que explora el entorno y aprende a maximizar las recompensas a largo plazo.
Es el proceso de eliminación de conexiones no esenciales en redes neuronales para optimizar el rendimiento y la eficiencia del modelo. Durante el pruning, se identifican y eliminan las conexiones menos importantes o redundantes en la red neuronal, lo que reduce la complejidad del modelo y el costo computacional asociado con su ejecución. El pruning puede ayudar a mejorar la generalización del modelo y reducir el riesgo de overfitting.
Es una prueba propuesta por Alan Turing en la década de 1950 para evaluar la capacidad de una máquina para exhibir un comportamiento inteligente similar al de un ser humano. La máquina pasa la prueba si un observador humano no puede distinguir si las respuestas provienen de una máquina o de un ser humano.
Método de reducción de dimensionalidad utilizado para simplificar conjuntos de datos manteniendo la mayor cantidad posible de información. PCA transforma el conjunto de datos original en un conjunto de componentes principales, que son combinaciones lineales de las variables originales. Estas componentes principales capturan la variabilidad de los datos de manera ordenada, lo que facilita la visualización y el análisis de datos de alta dimensión.
Gráfico que muestra el equilibrio entre la precisión y la exhaustividad de un modelo en función de un umbral de decisión. La precisión se refiere a la proporción de instancias positivas correctamente identificadas, mientras que la exhaustividad se refiere a la proporción de instancias positivas en el conjunto de datos que fueron
correctamente identificadas por el modelo. La curva de precisión-recall es útil para evaluar el rendimiento de un clasificador en problemas con clases desbalanceadas.
Es un fenómeno en el que un modelo de aprendizaje automático se ajusta demasiado a los datos de entrenamiento, capturando el ruido y las características específicas de los datos de entrenamiento en lugar de aprender
patrones generales. Esto puede llevar a un rendimiento deficiente en datos nuevos o no vistos. El overfitting puede ocurrir cuando un modelo es demasiado complejo en relación con la cantidad de datos disponibles o cuando se entrena durante demasiadas iteraciones.
Es el proceso de identificar observaciones inusuales o atípicas en un conjunto de datos. Estas observaciones pueden indicar errores en los datos, comportamientos anómalos o información relevante pero no típica. La detección de valores atípicos es importante en aplicaciones como detección de fraudes, monitorización de sistemas, diagnóstico médico y calidad de datos.
Es una estructura formal que organiza y representa el conocimiento en inteligencia artificial. Describe las entidades en un dominio específico y las relaciones entre ellas en forma de clases, propiedades y axiomas. Las ontologías se utilizan para modelar el conocimiento en áreas como la web semántica, la ingeniería del conocimiento, la representación del conocimiento y la resolución de problemas.
Es la tarea de identificar y clasificar objetos dentro de imágenes o videos. Es una tarea fundamental en la visión por computadora y se utiliza en una variedad de aplicaciones, como sistemas de seguridad, vehículos autónomos, reconocimiento facial, supervisión de tráfico, entre otros. Los algoritmos de detección de objetos identifican la presencia, ubicación y clase de objetos dentro de una imagen o secuencia de video.
Unidad básica de procesamiento en las redes neuronales artificiales. Está inspirada en la neurona biológica y procesa entradas ponderadas para generar una salida. La neurona artificial típicamente aplica una función de activación a la suma ponderada de las entradas para determinar si se activa o no. Estas neuronas se organizan en capas para formar redes neuronales, que pueden aprender y realizar tareas complejas mediante el ajuste de sus conexiones.
