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.

Se refiere a los cambios en la distribución de datos que afectan la eficacia del modelo de aprendizaje automático. Estos cambios pueden deberse a diversos factores, como
cambios en el comportamiento de los usuarios, cambios estacionales, cambios en el entorno, entre otros. El Model Drift puede llevar a una degradación en el rendimiento del modelo, ya que el modelo puede volverse menos preciso o relevante para los datos nuevos.

Método de aprendizaje automático que
se enfoca en la capacidad de aprender y adaptarse velozmente a nuevas tareas o áreas de conocimiento. En lugar de entrenar un modelo para una tarea específica, el metaaprendizaje busca desarrollar algoritmos y técnicas que permitan a un modelo aprender a partir de experiencias pasadas y aplicar ese conocimiento para resolver nuevas tareas con poca o ninguna supervisión adicional. El metaaprendizaje es especialmente útil en situaciones donde los datos son escasos o las condiciones de la tarea cambian con el tiempo.

Las redes de memoria son una arquitectura de red neuronal que utiliza una memoria externa para mejorar la retención de información y la capacidad de razonamiento de la red. Estos modelos están diseñados para recordar y recuperar información relevante de largo plazo durante el proceso de inferencia. Las redes de memoria han demostrado ser efectivas en tareas de razonamiento basadas en conocimiento y en el procesamiento de lenguaje natural.