Enfoque de aprendizaje automático donde los algoritmos aprenden patrones en datos sin etiquetas o supervisión externa. En lugar de tener ejemplos etiquetados, el algoritmo busca encontrar estructuras y regularidades inherentes en los datos. Esto incluye técnicas como clustering, reducción de dimensionalidad y detección de anomalías.
Concepto teórico en informática y matemáticas que describe una máquina capaz de simular cualquier computadora o algoritmo computacional. Propuesto por Alan Turing, este concepto es fundamental en la teoría de la computación y demuestra la capacidad de un modelo computacional para realizar cualquier cálculo computacional posible.
Enfoque estadístico que se centra en el estudio de una sola variable en un conjunto de datos. Busca describir y comprender las características de una variable individual, como su distribución, tendencia central, dispersión y relación con otras variables. El análisis univariado es útil para explorar y entender las propiedades de una variable antes de realizar análisis más complejos o multivariados.
Fenómeno en el que un modelo es demasiado simple para los datos, lo que resulta en un rendimiento deficiente en los datos de entrenamiento y prueba. El subajuste puede ocurrir cuando un modelo es demasiado restrictivo o cuando no tiene suficientes parámetros para capturar la complejidad de los datos. Esto puede llevar a una falta de capacidad del modelo para generalizar a datos nuevos y no vistos.
Principio que postula que solo debe existir una autoridad formal en cada unidad administrativa, de suerte que únicamente de una persona se reciban instrucciones y ante ella se de cuenta de los deberes cumplidos.
Convenio que se efectúa entre dos Estados, cuya esencia es el intercambio de intereses o bienes de utilidad mutua, de manera que los ciudadanos de un país puedan alegar un derecho que en el suyo se otorga a los del otro, en igualdad de condiciones.
Técnica en la que se aplican conocimientos aprendidos en una tarea a otra tarea relacionada. En lugar de entrenar un modelo desde cero para cada tarea, se utiliza un modelo pre-entrenado como punto de partida y se ajusta para adaptarse a la nueva tarea. El aprendizaje de transferencia es útil cuando se dispone de conjuntos de datos pequeños o cuando las tareas comparten características comunes.
Proceso de descubrir patrones y conocimientos en grandes conjuntos de datos de texto. Utiliza técnicas de procesamiento de lenguaje natural, análisis de texto y aprendizaje automático para extraer información útil y relevante de documentos de texto no estructurados. La minería de texto se utiliza en aplicaciones como análisis de sentimientos, clasificación de documentos, extracción de información, resumen automático y más.
Biblioteca de código abierto para implementar algoritmos de aprendizaje automático y aprendizaje profundo. Desarrollada por Google, TensorFlow proporciona una interfaz flexible y eficiente para construir y entrenar modelos de aprendizaje automático en una variedad de plataformas, incluidas CPU, GPU y TPU. TensorFlow es ampliamente utilizado en aplicaciones de investigación y producción en campos como visión por computadora, procesamiento de lenguaje natural, reconocimiento de voz y más.
Método de aprendizaje por refuerzo que actualiza las estimaciones de valor utilizando la diferencia entre estimaciones sucesivas. En lugar de esperar a recibir una recompensa final, el algoritmo actualiza continuamente sus estimaciones de valor basándose en la retroalimentación inmediata recibida del entorno. Este enfoque permite un aprendizaje más rápido y eficiente en entornos donde las recompensas son escasas o demoradas
