Representación gráfica de conocimientos y relaciones entre entidades en forma de nodos y bordes. Estos grafos capturan información estructurada y semántica sobre un dominio específico y se utilizan para realizar inferencias y responder
consultas complejas. Los grafos de conocimiento son utilizados en una variedad de aplicaciones, como motores de búsqueda semántica, asistentes virtuales y sistemas de recomendación.

Técnica utilizada en aprendizaje automático para transformar datos en un espacio de características de mayor dimensión donde los datos son más fácilmente separables. Esta transformación permite que algoritmos de aprendizaje lineal, como el SVM (Support Vector Machine), puedan realizar clasificaciones no lineales al introducir una función de kernel que calcula productos internos en el espacio de características transformado.

Algoritmo de clasificación basado en la proximidad a los puntos vecinos. En KNN, se clasifica un punto de datos asignándole la etiqueta más común entre sus K vecinos más cercanos en el espacio de características. KNN es un método de aprendizaje supervisado simple pero efectivo, que puede utilizarse tanto para clasificación como para regresión, y es especialmente útil en problemas con conjuntos de datos pequeños o no lineales.

K-means es un algoritmo de clustering utilizado en el campo del aprendizaje no supervisado. El objetivo del algoritmo es agrupar un conjunto de datos en K clústeres (donde K es un número predefinido de clústeres) basados en la similitud de las observaciones entre sí. El algoritmo asigna inicialmente K centroides de manera aleatoria y luego asigna cada punto de datos al centroide más cercano. Los centroides se recalculan repetidamente y los puntos se reasignan a los centroides
más cercanos hasta que se alcanza la
convergencia. Es ampliamente utilizado
en tareas de segmentación de clientes,
clasificación de texto y procesamiento
de imágenes, entre otras aplicaciones.