Diccionario / Glosario inteligencia artificial

A

Aprendizaje por Refuerzo (Reinforcement Learning)
Técnica donde un agente aprende a tomar decisiones mediante prueba y error, recibiendo recompensas o penalizaciones.

Ajuste de Hiper parámetros (Hyperparameter Tuning)
Optimización de los parámetros que regulan el comportamiento de un modelo de aprendizaje.

Aprendizaje Automático (Machine Learning)
Rama de la IA que permite a los sistemas aprender y mejorar automáticamente a partir de la experiencia.

Algoritmo
Conjunto de normas que un sistema usa para resolver un problema específico.

Análisis de Componentes Principales (PCA)
Técnica que reduce la dimensionalidad de datos, convirtiéndolos en variables no correlacionadas llamadas componentes principales.

A/B Testing
Método para comparar dos versiones de una web o app y determinar cuál es más efectiva.

Aprendizaje Supervisado (Supervised Learning)
Modelo entrenado usando datos etiquetados previamente.

Aprendizaje No Supervisado (Unsupervised Learning)
Modelo que identifica patrones en datos sin etiquetas predefinidas.

Automatización
Uso de tecnología para realizar tareas sin intervención humana.

AutoML (Automated Machine Learning)
Proceso de automatización de las tareas de diseño, entrenamiento y evaluación de modelos de aprendizaje automático.

Autoencoder
Tipo de red neuronal utilizada para aprender una representación comprimida de datos, comúnmente empleada en tareas de reducción de dimensionalidad o compresión.

B

Bagging
Método que aumenta la precisión combinando predicciones de varios modelos entrenados en diferentes subconjuntos de datos.

Balanceo de Datos
Equilibrar la distribución de clases en un conjunto de datos.

Bias (Sesgo)
Tendencia de un modelo a cometer ciertos errores por datos de entrenamiento desbalanceados.

Bias-Variance Tradeoff
Principio fundamental del aprendizaje automático que trata de encontrar el equilibrio entre sesgo y varianza para optimizar el rendimiento del modelo.

Big Data
Conjunto de datos tan grandes y complejos que requieren métodos especializados para su análisis.

C

Chatbot
Aplicación que simula una conversación humana para responder preguntas y realizar tareas.

Clasificación
Asignación de etiquetas a datos entre varias opciones posibles.

Clustering (Clusterización)
Agrupación de datos similares en categorías.

Computación en la Nube (Cloud Computing)
Uso de servidores remotos para almacenar, gestionar y procesar datos.

Conjunto de Datos (Dataset)
Colección de datos para entrenar o evaluar modelos de IA.

Convolución
Operación matemática en redes neuronales para procesar datos en cuadrículas.

Curva ROC (ROC Curve)
Gráfico del rendimiento de un modelo de clasificación según diferentes umbrales.

D

Data Mining
Descubrimiento de patrones y conocimiento en grandes cantidades de datos.

Deep Learning (Aprendizaje Profundo)
Rama del aprendizaje automático que usa redes neuronales profundas.

Desbalance de Clases (Class Imbalance)
Situación donde una clase está representada mucho más que otras, afectando el rendimiento del modelo.

E

Embedding
Representaciones vectoriales en un espacio continuo.

Evaluación Cruzada (Cross-Validation)
Técnica para evaluar un modelo dividiendo los datos en múltiples subconjuntos.

Exploración de Datos
Análisis y resumen de las características principales de un conjunto de datos.

Edge Computing
Modelo de computación en el que el procesamiento de datos ocurre cerca del lugar donde se generan, en lugar de en la nube, mejorando la velocidad y reduciendo la latencia.

Explainable AI (XAI)
Conjunto de métodos y técnicas para hacer que los resultados y decisiones de los modelos de IA sean comprensibles para los humanos.

F

Feature Engineering (Ingeniería de Características)
Seleccionar, modificar o crear variables para mejorar el rendimiento de un modelo.

Fine-Tuning
Ajuste de un modelo preentrenado con un nuevo conjunto de datos.

Framework
Entorno de trabajo que facilita el desarrollo de modelos de IA.

Función de Activación
Función en una red neuronal para decidir si una neurona debe activarse.

Federated Learning
Método de entrenamiento de modelos de IA en el que los datos permanecen localizados en dispositivos individuales, en lugar de ser centralizados, preservando la privacidad de los datos.

G

Generación de Lenguaje Natural (NLG)
Generación de texto coherente en lenguaje natural desde datos estructurados.

Gradiente Descendente
Algoritmo que minimiza la función de error ajustando parámetros.

GPU (Unidad de Procesamiento Gráfico)
Hardware para operaciones matemáticas intensivas, usado en Deep Learning.

Grid Search
Método exhaustivo para ajustar hiper parámetros probando todas las combinaciones posibles.

GAN (Generative Adversarial Networks)
Tipo de red neuronal en la que dos modelos compiten entre sí: uno genera ejemplos falsos y el otro los evalúa, mejorando así la precisión del modelo generador.

I

IA Generativa
Creación de nuevo contenido desde modelos entrenados.

Inferencia
Uso de un modelo entrenado para predecir nuevos datos.

Inteligencia Artificial (IA)
Campo de estudio para crear sistemas que realizan tareas que requieren inteligencia humana.

K

K-Vecinos Más Cercanos (K-Nearest Neighbors)
Algoritmo que asigna etiquetas basándose en las etiquetas de los vecinos más cercanos.

K-Means
Algoritmo de agrupamiento que divide datos en K clusters.

L

Labeled Data (Datos Etiquetados)
Datos con características de entrada y etiquetas de salida para aprendizaje supervisado.

Lasso
Regresión que agrega penalización para la selección de características.

Learning Rate (Tasa de Aprendizaje)
Parámetro que controla la velocidad de ajuste de parámetros durante el entrenamiento.

LLM (Large Language Model)
Modelos de lenguaje a gran escala, como GPT.

M

Matriz de Confusión
Tabla que evalúa el rendimiento de un modelo de clasificación.

Meta-Learning
Subcampo del aprendizaje automático que se enfoca en enseñar a los modelos a aprender de manera más eficiente a partir de menos datos.

N

Neurona
Unidad básica de una red neuronal.

Normalización
Ajuste de valores de un conjunto de datos para una escala común.

O

Optimización
Ajuste de un modelo para mejorar su rendimiento.

Overfitting (Sobreajuste)
Modelo que se ajusta demasiado a datos de entrenamiento y no generaliza bien.

P

Pandas
Biblioteca de Python para manipulación y análisis de datos.

Parámetro
Valores ajustados durante el entrenamiento para minimizar el error.

Perceptrón
Modelo básico de neurona artificial.

Pipeline
Serie de pasos que siguen los datos desde entrada hasta salida del modelo.

Plataforma de Código Abierto (Open Source)
Software cuyo código fuente está disponible para uso y modificación.

Plataforma de Código Cerrado (Closed Source)
Software cuyo código fuente no está disponible públicamente.

Ponderación
Asignación de importancia relativa a características en un modelo.

Precisión
Medida del porcentaje de predicciones correctas de un modelo.

Preprocesamiento
Técnicas para preparar datos antes de usar en un modelo de IA.

Prompt
Entrada de texto para que un modelo de lenguaje genere una respuesta.

Propagación hacia Atrás (Backpropagation)
Algoritmo para ajustar pesos en redes neuronales según el error de predicciones.

R

Random Forest
Algoritmo que usa múltiples árboles de decisión.

Red Neuronal
Modelo inspirado en el cerebro humano.

Red Neuronal Convolucional (CNN)
Red que procesa datos en cuadrículas, como imágenes.

Red Neuronal Recurrente (RNN)
Red para datos secuenciales como texto o series temporales.

Regresión
Predicción de un valor continuo.

Regularización
Técnicas para evitar sobreajuste, como penalización de coeficientes grandes.

Representación
Forma en que los datos son almacenados y procesados en un modelo de IA.

S

Sampleo
Selección de un subconjunto de datos de un conjunto mayor.

Segmentación
División de datos en grupos similares.

Sentiment Analysis (Análisis de Sentimientos)
Extracción de opiniones o sentimientos de un texto.

Speech-to-Text
Conversión de voz en texto.

Subajuste (Underfitting)
Modelo demasiado simple para capturar patrones en los datos.

Support Vector Machine (Máquina de Vectores de Soporte)
Algoritmo que busca un hiperplano que separe las clases en los datos.

Self-Supervised Learning
Tipo de aprendizaje en el que el modelo se entrena utilizando una parte de la entrada como etiqueta, eliminando la necesidad de grandes cantidades de datos etiquetados.

T

Tensor
Estructura de datos multidimensional.

TensorFlow
Framework de código abierto para aprendizaje automático y profundo.

Token
Unidad básica de texto en modelos de lenguaje.

Transfer Learning (Aprendizaje por Transferencia)
Adaptación de un modelo preentrenado a una nueva tarea.

Transferencia de Estilo (Style Transfer)
Técnica utilizada para aplicar el estilo visual de una imagen (como una pintura) a otra imagen.

V

Validación
Evaluación del rendimiento del modelo en diferentes datos.

Vector
Arreglo unidimensional de números para representar datos.

Visualización de Datos
Representación visual de datos.

W

Word Embedding
Representación vectorial de palabras en procesamiento de lenguaje natural.

X

XGBoost
Algoritmo basado en árboles de decisión para alta precisión y eficiencia.

Y

YOLO (You Only Look Once)
Algoritmo rápido y preciso de detección de objetos en imágenes.

Z

Zero-shot Learning
Modelo que clasifica datos de clases no vistas durante el entrenamiento.