Es un fenómeno en el que un modelo de aprendizaje automático se ajusta demasiado a los datos de entrenamiento, capturando el ruido y las características específicas de los datos de entrenamiento en lugar de aprender
patrones generales. Esto puede llevar a un rendimiento deficiente en datos nuevos o no vistos. El overfitting puede ocurrir cuando un modelo es demasiado complejo en relación con la cantidad de datos disponibles o cuando se entrena durante demasiadas iteraciones.

Es el proceso de identificar observaciones inusuales o atípicas en un conjunto de datos. Estas observaciones pueden indicar errores en los datos, comportamientos anómalos o información relevante pero no típica. La detección de valores atípicos es importante en aplicaciones como detección de fraudes, monitorización de sistemas, diagnóstico médico y calidad de datos.

Es una estructura formal que organiza y representa el conocimiento en inteligencia artificial. Describe las entidades en un dominio específico y las relaciones entre ellas en forma de clases, propiedades y axiomas. Las ontologías se utilizan para modelar el conocimiento en áreas como la web semántica, la ingeniería del conocimiento, la representación del conocimiento y la resolución de problemas.

Es la tarea de identificar y clasificar objetos dentro de imágenes o videos. Es una tarea fundamental en la visión por computadora y se utiliza en una variedad de aplicaciones, como sistemas de seguridad, vehículos autónomos, reconocimiento facial, supervisión de tráfico, entre otros. Los algoritmos de detección de objetos identifican la presencia, ubicación y clase de objetos dentro de una imagen o secuencia de video.