Programas de inteligencia artificial que imitan el razonamiento humano en tareas específicas. Utilizan bases de conocimiento explícito y reglas de inferencia para realizar tareas como diagnósticos médicos, soporte técnico, planificación y toma de decisiones. Los sistemas expertos son capaces de tomar decisiones basadas en el conocimiento acumulado y pueden explicar su razonamiento a los usuarios.
Técnica de factorización matricial que se utiliza en la reducción de dimensionalidad y el análisis de datos. Consiste en descomponer una matriz en tres matrices: una matriz de vectores singulares izquierdos, una matriz diagonal de valores singulares y una matriz de vectores singulares derechos. La SVD se utiliza en aplicaciones como la compresión de imágenes, la recuperación de información y la eliminación de ruido de datos.
Función de activación que transforma valores de entrada a un rango entre 0 y 1. Se utiliza comúnmente en redes neuronales para introducir no linealidad en la salida de una neurona. La función sigmoide tiene la forma de una curva S y es útil en tareas donde se necesita modelar la probabilidad de una salida binaria, como la clasificación binaria.
Se refiere a la presencia de prejuicios en los resultados de los algoritmos de inteligencia artificial. Estos prejuicios son el resultado de sesgos existentes en los datos utilizados para entrenar el algoritmo. Pueden llevar a decisiones discriminatorias o injustas, especialmente en sistemas que influyen en la toma de decisiones críticas, como el reclutamiento o la evaluación crediticia.
Son un algoritmo de agrupamiento utilizado para organizar datos en una topología bidimensional. En un SOM, los datos se representan como puntos en un espacio multidimensional y se asignan a neuronas en una red bidimensional. Durante el entrenamiento, las neuronas se ajustan para que las regiones de la red con patrones similares en los datos estén más próximas entre sí, lo que permite visualizar y analizar la estructura subyacente de los datos.
Es un paradigma de aprendizaje donde un agente aprende a tomar decisiones secuenciales para maximizar una recompensa acumulada en un entorno dado. El agente toma acciones en el entorno y recibe retroalimentación en forma de recompensas o penalizaciones en función de las acciones que realiza. El objetivo del aprendizaje por refuerzo es aprender una política óptima para tomar decisiones que maximicen la recompensa a largo plazo.
Modelos computacionales inspirados en el cerebro humano que están diseñados para realizar tareas de aprendizaje automático. Consisten en una red de unidades de procesamiento llamadas neuronas, que están organizadas en capas y conectadas entre sí mediante conexiones ponderadas. Estas conexiones permiten que las redes neuronales aprendan a partir de datos de entrada, ajustando los pesos de las conexiones para realizar tareas como clasificación, regresión, reconocimiento de patrones, entre otras.
Tipo de red neuronal diseñada para procesar datos secuenciales o temporales. A diferencia de las redes neuronales convencionales, las RNN tienen conexiones retroalimentadas que les permiten mantener estados internos y procesar secuencias de longitud variable. Esto las hace adecuadas para tareas como traducción automática, reconocimiento de voz, generación de texto y modelado de series temporales. Las RNN se utilizan en una variedad de aplicaciones en campos como el procesamiento del lenguaje natural, la visión por computadora y la bioinformática.
Técnica utilizada para reducir la precisión de los números en modelos de aprendizaje automático. Esto se logra mediante la representación de números con menos bits de precisión, lo que reduce el tamaño del modelo y la cantidad de recursos computacionales necesarios para su ejecución. La cuantificación puede mejorar la eficiencia y la velocidad de los modelos, especialmente en dispositivos con recursos limitados como dispositivos móviles o sistemas embebidos.
Aplicación de principios cuánticos en algoritmos de aprendizaje automático. Utiliza la computación cuántica para realizar cálculos relacionados con el aprendizaje automático, como la optimización, la clasificación y la generación de modelos. El aprendizaje automático cuántico tiene el potencial de resolver problemas complejos de manera más eficiente que los enfoques clásicos de aprendizaje automático en ciertas aplicaciones.
