El manejo y análisis de conjuntos de datos masivos que superan la capacidad de las herramientas tradicionales de procesamiento de datos se denomina “Big Data”. Este concepto implica el uso de tecnologías específicas para almacenar, gestionar y analizar grandes volúmenes de datos provenientes de diversas fuentes. El objetivo fundamental del análisis de Big Data es extraer insights valiosos, identificar patrones complejos y obtener
conocimientos significativos que de otra manera podrían pasar desapercibidos.

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 algoritmo utilizado en el entrenamiento de redes neuronales. Consiste en ajustar los pesos de la red en función de la diferencia entre la salida predicha y la salida deseada. Se realiza en sentido contrario a través de la red, calcula gradientes y utiliza técnicas de optimización para minimizar el error y mejorar el rendimiento de la red durante el entrenamiento.

Técnica de ensamble en aprendizaje automático que combina múltiples modelos para mejorar estabilidad y precisión. Se crean varios conjuntos de datos de entrenamiento mediante muestreo bootstrap, luego se entrena un modelo en cada conjunto. Finalmente, las predicciones se obtienen promediando o votando entre los modelos individuales.