Un hub de fundamentos para los conceptos centrales de aprendizaje automático que los equipos legales, de cumplimiento y de producto necesitan antes de revisar sistemas de IA.
30
Términos
10
Comparaciones
8
Preguntas
Los fundamentos del aprendizaje automático explican cómo los modelos aprenden de los datos, cómo se dividen los datasets y por qué el comportamiento del modelo depende de las decisiones de entrenamiento. Este tema ayuda a no especialistas a comprender suficiente contexto técnico para formular mejores preguntas de cumplimiento.
Muchas disputas legales y de gobernanza surgen de malentendidos básicos sobre datos de entrenamiento, comportamiento del modelo, validación, sesgo y generalización.
Útil para alfabetización en IA, revisión de compras, documentación de modelos, análisis de sesgo, preparación de auditorías y formación interfuncional.
Enfoques centrales que describen cómo los sistemas aprenden a partir de etiquetas, datos, retroalimentación o interacción.
Familias de modelos comunes y componentes algorítmicos utilizados en sistemas de IA.
Conceptos de datasets y entrenamiento que influyen en la calidad del modelo y el riesgo de gobernanza.
Una comparación lado a lado entre aprendizaje supervisado y aprendizaje no supervisado. Comprenda cómo aprender a partir de ejemplos etiquetados se diferencia de encontrar patrones en datos sin etiquetas preexistentes.
Comparación lado a lado entre aprendizaje por refuerzo y aprendizaje supervisado. Explica cómo aprender de recompensas en un entorno difiere de aprender correspondencias a partir de ejemplos etiquetados.
Comparación lado a lado entre aprendizaje supervisado y aprendizaje semisupervisado. Entienda en qué se diferencia aprender a partir de ejemplos etiquetados de combinar datos etiquetados y no etiquetados.
Comparación lado a lado entre aprendizaje autosupervisado y aprendizaje semisupervisado. Entienda cómo cada uno usa datos no etiquetados y por qué difiere el papel de las etiquetas.
Una comparación lado a lado entre aprendizaje automático y aprendizaje profundo. Comprenda cómo el campo más amplio de aprender a partir de datos se diferencia de métodos de redes neuronales con múltiples capas.
Una comparación lado a lado entre datos de entrenamiento y conjunto de prueba. Comprenda por qué los datos usados para ajustar un modelo deben separarse de los datos reservados usados para evaluarlo.
Una comparación lado a lado entre datos de entrenamiento y datos de validación. Comprenda cómo los datos usados para ajustar el modelo difieren de los datos usados durante el desarrollo para ajustar decisiones y detectar problemas de generalización.
Comparación lado a lado entre sobreajuste y subajuste. Explica cómo aprender demasiado de cerca los datos de entrenamiento difiere de no aprender patrones significativos en los datos.
A side-by-side comparison of Classification and Regression. Understand how predicting discrete categories differs from predicting continuous or numerical values.
Comparación lado a lado entre árbol de decisión y bosque aleatorio. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
El aprendizaje autosupervisado es un enfoque de aprendizaje automático que crea señales de entrenamiento a partir de los propios datos no etiquetados. Convierte aspectos de un problema no supervisado en aprendizaje supervisado mediante la generación de etiquetas sustitutas, lo que resulta útil cuando los datos etiquetados son escasos pero los datos no etiquetados son abundantes.
El aprendizaje semisupervisado es un enfoque de aprendizaje automático que usa datos etiquetados y no etiquetados durante el entrenamiento. Es útil cuando los ejemplos etiquetados son costosos o limitados, pero mayores volúmenes de datos no etiquetados pueden ayudar a mejorar la representación, la clasificación o la predicción.
Los datos de entrenamiento son el conjunto de datos usado para enseñar o ajustar un modelo de aprendizaje automático mediante la modificación de sus parámetros aprendibles. Su calidad, cantidad, diversidad, etiquetado y procedencia influyen fuertemente en el rendimiento, la fiabilidad y la postura de cumplimiento del modelo resultante.
El sobreajuste ocurre cuando un modelo aprende los datos de entrenamiento demasiado de cerca, incluido el ruido o detalles idiosincráticos, y rinde mal con datos nuevos. Suele indicarse por un alto rendimiento en entrenamiento pero un rendimiento más débil en validación o prueba.
El subajuste ocurre cuando un modelo es demasiado simple o está insuficientemente entrenado para capturar patrones significativos en los datos. Un modelo subajustado rinde mal tanto en los datos de entrenamiento como en datos nuevos porque no ha aprendido las relaciones subyacentes necesarias para la tarea.
Un árbol de decisión es un modelo interpretable de aprendizaje supervisado que representa reglas de decisión en una estructura similar a un árbol. La inferencia sigue un camino desde un nodo raíz a través de condiciones basadas en características hasta un nodo hoja que proporciona la clase o valor predicho.
El aprendizaje profundo es un subcampo del aprendizaje automático que usa redes neuronales con múltiples capas para aprender representaciones y patrones a partir de datos.
Usa clasificación cuando el objetivo es una categoría; usa regresión cuando el objetivo es un valor continuo o numérico.