Algoritmo: Conjunto de pasos finitos y ordenados que permiten resolver un problema o realizar una tarea específica.
Algoritmo K-Means: Método de clusterización que particiona los datos en K grupos basándose en sus similitudes.
Aprendizaje Supervisado: Tipo de aprendizaje automático donde un modelo se entrena con un conjunto de datos etiquetados para realizar predicciones.
Aprendizaje No Supervisado: Método de aprendizaje automático que analiza datos no etiquetados para identificar patrones o estructuras ocultas.
Aprendizaje por Refuerzo: Método de entrenamiento basado en recompensas y castigos, donde un agente aprende a interactuar con su entorno para maximizar una recompensa acumulada.
Árbol de Decisión: Modelo basado en una estructura jerárquica de decisiones para clasificación o regresión.
Autoencoder: Red neuronal utilizada para compresión de datos y reducción de dimensionalidad mediante un codificador y decodificador.
Bayesiano Ingenuo (Naive Bayes) : Algoritmo de clasificación basado en el teorema de Bayes, asumiendo independencia entre características.
Benchmarking: Proceso de comparar el rendimiento de sistemas o modelos utilizando métricas y conjuntos de datos estándar.
Big Data: Conjunto de datos masivos y complejos que requieren herramientas avanzadas para su almacenamiento, procesamiento y análisis.
Clasificación: Tarea de aprendizaje automático que consiste en asignar etiquetas o categorías a datos basados en características específicas.
Clusterización: Técnica de aprendizaje no supervisado utilizada para agrupar datos similares en clusters o conjuntos.
Deep Learning: Subcampo del aprendizaje automático basado en redes neuronales profundas que permite resolver problemas complejos como visión por computadora y reconocimiento de voz.
Ensamblado de Modelos: Técnica que combina múltiples modelos para mejorar la precisión y robustez de las predicciones.
Framework: Plataforma o conjunto de herramientas que facilita el desarrollo de aplicaciones, como TensorFlow, PyTorch y Scikit-learn en IA.
Gradient Descent (Descenso de Gradiente): Algoritmo de optimización utilizado para minimizar funciones de costo ajustando parámetros iterativamente.
Internet de las Cosas (IoT): Red de dispositivos conectados que recopilan y comparten datos a través de internet.
Modelo Generativo: Modelo en aprendizaje automático que aprende la distribución de datos para generar nuevas muestras similares, como GANs o modelos de lenguaje.
NLP (Natural Language Processing): Procesamiento de lenguaje natural, un campo de la IA enfocado en la interacción entre humanos y computadoras mediante el lenguaje natural.
Optimización Estocástica: Método que utiliza aproximaciones aleatorias para encontrar soluciones óptimas en problemas complejos.
Overfitting (Sobreajuste): Problema en el aprendizaje automático donde un modelo se ajusta demasiado a los datos de entrenamiento, perdiendo generalización para nuevos datos.
PCA (Análisis de Componentes Principales): Método de reducción de dimensionalidad que transforma los datos en un espacio de menor dimensión mientras preserva la variabilidad más importante.
Red Convolucional (CNN): Tipo de red neuronal diseñada específicamente para tareas de procesamiento de imágenes y reconocimiento de patrones visuales.
Red Recurrente (RNN): Tipo de red neuronal que utiliza conexiones recurrentes para procesar datos secuenciales, como series temporales o texto.
Redes Adversarias Generativas (GANs): Modelo generativo que consiste en dos redes neuronales que compiten entre sí, un generador y un discriminador, para mejorar la calidad de datos sintéticos.
Redes Híbridas: Modelos que combinan diferentes enfoques o arquitecturas de redes neuronales para resolver problemas complejos.
Regresión: Técnica de aprendizaje supervisado utilizada para predecir valores continuos en base a variables independientes.
Regularización: Técnica para prevenir el sobreajuste añadiendo penalizaciones a los parámetros del modelo durante el entrenamiento.
Retropropagación (Backpropagation): Algoritmo utilizado para entrenar redes neuronales ajustando pesos en función del error calculado durante el entrenamiento.
SVM (Máquinas de Soporte Vectorial): Algoritmo de clasificación que encuentra el hiperplano óptimo que separa las clases en un espacio de características.
Softmax: Función de activación utilizada en tareas de clasificación para convertir puntuaciones en probabilidades.
Tokenización: Proceso de dividir texto en unidades más pequeñas, como palabras o caracteres, en procesamiento de lenguaje natural.
Transfer Learning: Técnica en la que un modelo entrenado en una tarea se reutiliza para otra tarea similar, ahorrando tiempo y recursos.
Transformador: Arquitectura de red neuronal basada en mecanismos de atención, utilizada ampliamente en modelos de lenguaje como GPT y BERT.
Validación Cruzada: Técnica de evaluación que divide los datos en subconjuntos para entrenar y validar un modelo, mejorando la estimación de su rendimiento.
Visión Computacional: Área de la IA que desarrolla métodos para que las máquinas comprendan e interpreten datos visuales del mundo real.
Word Embeddings: Representaciones vectoriales de palabras que capturan relaciones semánticas y contextuales, utilizadas en procesamiento de lenguaje natural.
Recursos: Información no disponible
Duración: Información no disponible
Departamento de Sistemas e Informatica
sistemas@itistmo.edu.mx
“Por una tecnología propia como principio de libertad®️”