Técnica utilizada en aprendizaje automático para transformar datos en un espacio de características de mayor dimensión donde los datos son más fácilmente separables. Esta transformación permite que algoritmos de aprendizaje lineal, como el SVM (Support Vector Machine), puedan realizar clasificaciones no lineales al introducir una función de kernel que calcula productos internos en el espacio de características transformado.
Algoritmo de clasificación basado en la proximidad a los puntos vecinos. En KNN, se clasifica un punto de datos asignándole la etiqueta más común entre sus K vecinos más cercanos en el espacio de características. KNN es un método de aprendizaje supervisado simple pero efectivo, que puede utilizarse tanto para clasificación como para regresión, y es especialmente útil en problemas con conjuntos de datos pequeños o no lineales.
K-means es un algoritmo de clustering utilizado en el campo del aprendizaje no supervisado. El objetivo del algoritmo es agrupar un conjunto de datos en K clústeres (donde K es un número predefinido de clústeres) basados en la similitud de las observaciones entre sí. El algoritmo asigna inicialmente K centroides de manera aleatoria y luego asigna cada punto de datos al centroide más cercano. Los centroides se recalculan repetidamente y los puntos se reasignan a los centroides
más cercanos hasta que se alcanza la
convergencia. Es ampliamente utilizado
en tareas de segmentación de clientes,
clasificación de texto y procesamiento
de imágenes, entre otras aplicaciones.
Entorno interactivo para la creación y compartición de documentos que contienen código, texto y visualizaciones. Permite a los usuarios escribir y ejecutar código en bloques
individuales llamados “celdas”, lo que facilita la exploración de datos, la experimentación con algoritmos y la presentación de resultados en un formato interactivo y colaborativo. Jupyter Notebook es ampliamente utilizado en ciencia de datos, educación en informática y desarrollo de software.
Aplicaciones de la inteligencia artificial en juegos que involucran toma de decisiones y estrategia, como el ajedrez, el Go y el póker. Estos juegos son desafiantes para los sistemas de IA debido a la complejidad de las opciones y las posibles acciones que pueden tomar los jugadores. Los avances en la inteligencia artificial en juegos estratégicos han llevado a la creación de programas que pueden competir e incluso superar a los mejores jugadores humanos en ciertos juegos.
Matriz de derivadas parciales que se utiliza en cálculos relacionados con funciones vectoriales. En el contexto de las redes neuronales, la matriz Jacobiana se utiliza para calcular las derivadas de las salidas del modelo con respecto a sus entradas y parámetros. Esto es útil en el entrenamiento de redes neuronales y en problemas de optimización.
Métrica utilizada para medir la similitud entre dos conjuntos de datos. Se calcula dividiendo el tamaño de la intersección de los conjuntos entre el tamaño de la unión de los conjuntos. El índice de Jaccard proporciona una medida de la similitud entre los conjuntos, donde un valor de 1 indica una similitud perfecta y un valor de 0 indica ninguna similitud.
Proceso de extraer conclusiones o hacer predicciones sobre una población basándose en muestras de datos observados. Esto implica estimar parámetros desconocidos, probar hipótesis y hacer predicciones utilizando métodos estadísticos. La inferencia estadística juega un papel fundamental en el análisis de datos y la toma de decisiones basada en evidencia
en una amplia gama de disciplinas.
Arquitectura de red neuronal profunda
diseñada para mejorar la eficiencia
computacional y el rendimiento en
tareas de visión por computadora,
como la clasificación de imágenes.
Esta arquitectura utiliza módulos de
convolución múltiple con diferentes
tamaños de filtro en paralelo para
capturar características a diferentes
escalas. La Inception Network ha sido
utilizada con éxito en competiciones de
reconocimiento de imágenes, como el
desafío ImageNet.
Conjunto de datos desbalanceado
es aquel donde las clases tienen
cantidades significativamente
diferentes de ejemplos. Esto puede
ocurrir en situaciones donde una clase
es mucho más común que otras, lo que
puede sesgar el rendimiento del modelo
hacia la clase dominante. Manejar
conjuntos de datos desbalanceados es
importante en el aprendizaje automático
para evitar que el modelo ignore las
clases minoritarias y tome decisiones
sesgadas.
