Modelo estadístico utilizado para modelar funciones probabilísticas, donde se asume que la función observada es una muestra de una distribución gaussiana multivariada. Los procesos gaussianos son útiles en problemas de regresión no lineales, donde se necesita estimar la incertidumbre asociada con las
predicciones.
Es un modelo estadístico utilizado para describir la distribución de datos como una combinación de varias distribuciones gaussianas (normales). Cada componente del modelo representa una distribución gaussiana, y los datos se generan a partir de una combinación de estas distribuciones.
La lógica difusa es un sistema que maneja la incertidumbre en los datos, permitiendo representar y manipular conceptos vagos o imprecisos. A diferencia de la lógica tradicional, que opera con valores binarios (verdadero/falso), la lógica difusa permite la representación de grados de verdad, lo que la hace útil en situaciones donde las decisiones deben tomarse e condiciones inciertas o ambiguas.
Función matemática que se aplica a la salida de una neurona en una red neuronal artificial. Esta función determina si una neurona debe activarse o no en función de su entrada ponderada y un umbral. Las funciones de activación comunes incluyen la función sigmoide, la función ReLU (Rectified Linear Unit), la función tangente hiperbólica, entre otras.
Medida de rendimiento que indica la cantidad de operaciones de punto flotante que un procesador o sistema puede realizar por segundo. Es una medida comúnmente utilizada para evaluar el rendimiento de las unidades de procesamiento en tareas que implican cálculos numéricos intensivos, como el entrenamiento de modelos de inteligencia artificial.
Es un modelo de aprendizaje colaborativo donde el modelo de inteligencia artificial se entrena en dispositivos locales, como teléfonos móviles o dispositivos IoT, en lugar de enviar datos a un servidor centralizado. En lugar de entrenar el modelo con datos centralizados, se envían algoritmos de aprendizaje al dispositivo, donde se entrena el modelo localmente. Luego, los modelos locales se combinan para crear un modelo global actualizado. Este enfoque permite el entrenamiento de modelos sin comprometer la privacidad de los datos, ya que los datos permanecen en el dispositivo del usuario.
Es un enfoque de IA que busca hacer que los modelos de inteligencia artificial sean más comprensibles y transparentes para los humanos. Esto implica desarrollar técnicas y métodos que expliquen cómo funciona un modelo de IA, cómo llega a sus decisiones y qué características de los datos influyen en esas decisiones. La XAI es importante para mejorar la confianza en los sistemas de IA, permitiendo que los usuarios comprendan y verifiquen el razonamiento detrás de las decisiones automatizadas.
Son métodos de optimización inspirados en los principios de la evolución biológica, como la selección natural y la reproducción. Estos algoritmos generan una población inicial de soluciones candidatas y aplican operadores de selección, cruce y mutación para evolucionar y mejorar las soluciones a lo largo de múltiples generaciones. Se utilizan en una variedad de aplicaciones de optimización, como diseño de sistemas, ingeniería, finanzas y aprendizaje automático.
Se refiere a los principios y normas éticas que guían el desarrollo, la implementación y el uso de la IA. Esto incluye consideraciones sobre la equidad, transparencia, privacidad, seguridad, responsabilidad y el impacto social de los sistemas de IA. La ética de la IA busca garantizar que la tecnología se utilice de manera ética y responsable, teniendo en cuenta sus posibles implicaciones para los individuos, las comunidades y la sociedad en su conjunto.
Es una técnica en el aprendizaje automático que combina múltiples modelos individuales para mejorar el rendimiento predictivo. Los modelos individuales pueden ser del mismo tipo o de tipos diferentes. Al combinar las predicciones de múltiples modelos, el ensamble puede reducir el sesgo y la varianza, lo que lleva a un modelo más robusto y generalizable. Algunos métodos comunes de ensamble incluyen el bagging, boosting y la combinación de modelos por voto.
