Acceda a una amplia gama de publicaciones, recursos y servicios diseñados para facilitar y enriquecer su experiencia académica y profesional. Esta plataforma está dedicada a proporcionarle las herramientas y fuentes de información especializadas que necesita para desarrollar sus actividades de manera efectiva durante todo el período académico.
En la Biblioteca Digital de Seguridad Social (BiDiSS) podrá consultar desde artículos de investigación y libros electrónicos hasta bases de datos académicos y revistas especializadas.
Explore nuestras secciones, descubra las múltiples opciones a su disposición y aproveche al máximo todos los recursos que hemos preparado.
Revisión de acciones sobresalientes de promoción a la salud y la seguridad en el trabajo en seis países de América Latina y el Caribe (ALC) y las principales conclusiones de esas experiencias.
Consultar
Descubre las más recientes adquisiciones de nuestra biblioteca especializada en seguridad social
Consultar
El Plagio se refiere a la copia de palabras e ideas de otras personas sin reconocer ni mencionar la fuente de donde se extrajeron, mientras que una cita tiene la intención de «referir, anotar o mencionar los autores, texto o lugares que se alegan o discuten en lo que se dice o escribe» (RAE).
Recomendamos una publicación editada por la Biblioteca de la Universidad de Lima, que nos orienta sobre la manera en que se deben realizar las citas y referencias bibliográficas. Esta práctica fundamental nos ayudará a evitar incurrir en acciones que vulneren los derechos de autor.
Ante el cierre del servicio Google Reader, ese servicio que nos permitía revisar los feeds de las novedades de los sitios web a los que estamos suscritos, tuve la impresión de que se acercaba el fín de los RSS, pero no fué así.
Actualmente existen buenos lectores de fuentes RSS, y uno de ellos es Feedly, que además ofrece aplicaciones para dispositivos móbiles, tanto para Android como para iOS.
Cuando desarrollamos un trabajo académico o científico, es fundamental reconocer y citar adecuadamente las fuentes que utilizamos.
Algoritmo de optimización utilizado para minimizar una función de pérdida en el entrenamiento de modelos de aprendizaje automático. El algoritmo funciona ajustando iterativamente los parámetros del modelo en la dirección opuesta al gradiente de la función de pérdida, lo que permite encontrar los valores óptimos de los parámetros que minimizan la pérdida.
Capacidad de un modelo para realizar tareas sin ejemplos de entrenamiento directo. En lugar de entrenar el modelo con ejemplos etiquetados para cada clase o tarea, el aprendizaje sin ejemplos utiliza información auxiliar, como descripciones de clases o atributos, para inferir y generalizar a nuevas tareas o clases no vistas durante el entrenamiento. Esta capacidad es útil en escenarios donde recopilar ejemplos de entrenamiento es costoso o impracticable.
Es una representación gráfica de los resultados de un análisis de agrupamiento jerárquico en datos. En este tipo de análisis, los datos se agrupan en clústeres* o grupos en función de sus similitudes. El dendrograma muestra la estructura jerárquica de estos clústeres, donde los elementos más similares se agrupan juntos en niveles inferiores del dendrograma, mientras que los elementos menos similares se agrupan en niveles superiores. Es una herramienta útil para visualizar la estructura de los datos y comprender las relaciones entre los elementos.
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.
En el contexto de aprendizaje automático, se refiere al prejuicio en los datos de entrenamiento que afecta la objetividad del modelo. Puede surgir de diversas fuentes, como la selección de datos sesgada, y puede resultar en decisiones o predicciones inexactas y discriminatorias.
Es un modelo de aprendizaje colaborativo donde el modelo de inteligencia artificial se entrena en dispositivos locales, como teléfonos móviles o dispositivos IoT, en lugar de enviar datos a un servidor centralizado. En lugar de entrenar el modelo con datos centralizados, se envían algoritmos de aprendizaje al dispositivo, donde se entrena el modelo localmente. Luego, los modelos locales se combinan para crear un modelo global actualizado. Este enfoque permite el entrenamiento de modelos sin comprometer la privacidad de los datos, ya que los datos permanecen en el dispositivo del usuario.
Utiliza datos históricos para prever eventos futuros. Estos modelos son utilizados en una amplia gama de aplicaciones, como pronósticos meteorológicos, análisis de riesgos financieros, recomendaciones de productos, diagnósticos médicos, entre otros. Los modelos predictivos pueden ser construidos utilizando diferentes técnicas de aprendizaje automático, como regresión, clasificación, series temporales, entre otras.
TN University. (2024). Diccionario sobre inteligencia artificial: 100 conceptos claves sobre sistemas inteligentes.
Ver documento completo >
Entre otras medidas, la ministra de Inclusión, Elma Saiz, ha anunciado que la Seguridad Social podrá reconocer de oficio una prestación cuando se cumplan requisitos sin necesidad de solicitarla [...]
La 15º edición de Mercer CFA Institute Global Pension Index (MCGPI) examina el potencial de la Inteligencia Artificial (IA) para mejorar los sistemas de pensiones y seguridad social. [...]
La irrupción de la inteligencia artificial en los procesos de producción plantea interrogantes y situaciones para los que no conviene seguir aferrados a normas laborales del pasado [...]
La democratización de la IA abre una nueva frontera de experimentación que desdibuja los límites del mercado laboral tal y como se ha conocido hasta ahora. [...]
La Suseso es parte del piloto del proyecto Algoritmos Éticos, Responsables y Transparentes, desarrollado por GobLab de la Universidad Adolfo Ibáñez, que desde 2020 promueve la gestión ética de los datos y el desarrollo e [...]
La inteligencia artificial (IA) afectará a casi el 40% de los empleos en todo el mundo, reemplazando algunos y complementando otros. Para aprovechar este potencial, las políticas deben encontrar un fino equilibrio. [...]
Hoy tenemos instituciones precursoras, como los sistemas de seguridad social para los servidores públicos en los estados de Puebla y Estado de México, pero los servicios automatizados, donde se involucre inteligencia artificial, en poco tiempo [...]
