Principiante
¿Qué es el aprendizaje automático?
El aprendizaje automático (ML) es un subcampo de la inteligencia artificial en el que los sistemas aprenden patrones a partir de datos o experiencia para hacer predicciones, clasificaciones, recomendaciones o decisiones sin estar programados explícitamente para cada caso.
¿Qué es el aprendizaje supervisado?
El aprendizaje supervisado es un enfoque de aprendizaje automático en el que un modelo aprende de ejemplos que emparejan entradas con salidas objetivo o etiquetas conocidas. El modelo usa esos ejemplos etiquetados para aprender mapeos que pueden apoyar predicción, clasificación o regresión sobre datos nuevos.
¿En qué se diferencia el aprendizaje no supervisado del aprendizaje supervisado?
Usa aprendizaje supervisado cuando existen ejemplos etiquetados de entrada-salida; usa aprendizaje no supervisado cuando el objetivo es descubrir estructura sin etiquetas.
¿Qué es el aprendizaje por refuerzo?
El aprendizaje por refuerzo (RL) es un paradigma de aprendizaje automático en el que un agente aprende a actuar en un entorno recibiendo recompensas o penalizaciones por sus acciones. El objetivo es aprender una política que maximice la recompensa acumulada esperada a lo largo del tiempo.
Intermedio
¿Qué es el aprendizaje autosupervisado?
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.
¿Qué es el aprendizaje semisupervisado?
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.
¿Qué son los datos de entrenamiento?
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.
¿Qué es el sobreajuste?
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.
¿Qué es el subajuste?
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.
¿Qué es un árbol de decisión?
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.
Avanzado
¿Qué es el aprendizaje profundo?
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.
¿En qué se diferencian la clasificación y la regresión?
Usa clasificación cuando el objetivo es una categoría; usa regresión cuando el objetivo es un valor continuo o numérico.