Enfoque de aprendizaje automático donde los algoritmos aprenden patrones en datos sin etiquetas o supervisión externa. En lugar de tener ejemplos etiquetados, el algoritmo busca encontrar estructuras y regularidades inherentes en los datos. Esto incluye técnicas como clustering, reducción de dimensionalidad y detección de anomalías.

Concepto teórico en informática y matemáticas que describe una máquina capaz de simular cualquier computadora o algoritmo computacional. Propuesto por Alan Turing, este concepto es fundamental en la teoría de la computación y demuestra la capacidad de un modelo computacional para realizar cualquier cálculo computacional posible.

Enfoque estadístico que se centra en el estudio de una sola variable en un conjunto de datos. Busca describir y comprender las características de una variable individual, como su distribución, tendencia central, dispersión y relación con otras variables. El análisis univariado es útil para explorar y entender las propiedades de una variable antes de realizar análisis más complejos o multivariados.

Fenómeno en el que un modelo es demasiado simple para los datos, lo que resulta en un rendimiento deficiente en los datos de entrenamiento y prueba. El subajuste puede ocurrir cuando un modelo es demasiado restrictivo o cuando no tiene suficientes parámetros para capturar la complejidad de los datos. Esto puede llevar a una falta de capacidad del modelo para generalizar a datos nuevos y no vistos.