Algoritmo
En matemáticas, ciencias de la computación y disciplinas relacionadas, un algoritmo (del latín, dixit algorithmus) es un conjunto de instrucciones o reglas bien definidas, ordenadas y finitas que permite realizar una actividad mediante pasos sucesivos que no generen dudas a quien deba realizar dicha actividad. Dados un estado inicial y una entrada, siguiendo los pasos sucesivos se llega a un estado final y se obtiene una solución. Los algoritmos son fundamentales en el campo del aprendizaje automático, ya que son los cimientos sobre los cuales se construyen los modelos predictivos.
Análisis descriptivo:
Detalla la realidad con base en los datos disponibles (medias, medianas, dispersiones, gráficos, etc.). En el contexto del aprendizaje automático, el análisis descriptivo ayuda a identificar patrones y tendencias que pueden ser utilizados para crear modelos predictivos más precisos.
Análisis Predictivo:
Busca pronosticar o predecir qué va a pasar en el futuro (eventos no ocurridos). Tradicionalmente se realizaba con metodologías regresivas, pero en la actualidad ha sido fuertemente potenciadas por los algoritmos de aprendizaje automático. Estos modelos permiten hacer predicciones más precisas al analizar grandes volúmenes de datos.
Análisis Diagnóstico:
Busca explicar y evaluar. En este nivel se busca tanto demostrar casualidad (cuando sea posible), y si no al menos describir asociaciones entre factores de riesgo y resultados. El aprendizaje automático se utiliza para identificar correlaciones complejas que podrían pasar desapercibidas en un análisis tradicional.
Aprendizaje Adaptativo:
Es una de las características de las redes neuronales. Estas aprenden a llevar a cabo ciertas tareas mediante un entrenamiento con ejemplos ilustrativos. El aprendizaje automático se apoya en esta adaptabilidad, ya que las redes pueden ajustarse a condiciones cambiantes, mejorando con el tiempo a medida que reciben más datos.
Aprendizaje automático o Machine Learning:
El aprendizaje automático es un tipo de inteligencia artificial que otorga a las computadoras la capacidad de aprender a partir de los datos, sin necesidad de ser programadas explícitamente. Es la base de muchas aplicaciones tecnológicas actuales, permitiendo que las máquinas realicen tareas complejas como clasificación de imágenes, predicción de tendencias y más, sin intervención humana directa.
Aprendizaje Hebbiano:
El Aprendizaje Hebbiano es un tipo de aprendizaje automático inspirado en la biología que se basa en una idea simple pero poderosa: “lo que se usa se refuerza”. En el aprendizaje automático, esta regla se utiliza para fortalecer conexiones entre nodos en redes neuronales artificiales, mejorando la capacidad de la red para reconocer patrones.
Aprendizaje por Refuerzo (Reinforcement Learning):
El aprendizaje por refuerzo es un enfoque mediante el cual programas inteligentes, conocidos como agentes, operan en un entorno conocido o desconocido para adaptarse y aprender constantemente. Este enfoque está siendo utilizado cada vez más en el campo del aprendizaje automático debido a su capacidad para mejorar el rendimiento mediante recompensas y castigos.
Aprendizaje No Supervisado:
Se basa en la autoorganización de la información contenida en los datos. En el contexto del aprendizaje automático, los modelos no supervisados son capaces de identificar patrones en grandes volúmenes de datos sin la necesidad de etiquetar los datos previamente.
Aprendizaje Supervisado:
El aprendizaje supervisado es una técnica en la que se entrena un modelo utilizando datos etiquetados. A medida que el modelo es entrenado, aprende a hacer predicciones y clasificaciones en nuevos datos. Este enfoque es fundamental en el aprendizaje automático para tareas como la clasificación y la regresión.
Árbol de Decisión (Decision Trees):
El árbol de decisión es un modelo de aprendizaje automático utilizado para clasificación y regresión. Se estructura como un árbol donde cada nodo interior representa una decisión basada en los atributos, y cada rama representa una posible respuesta o resultado.
Backpropagation:
El algoritmo de backpropagation es fundamental en el entrenamiento de redes neuronales para el aprendizaje automático, ya que permite ajustar los pesos de la red para minimizar el error entre las predicciones y los valores reales.
Big Data:
Se refiere al conjunto de datos cuyo volumen, complejidad y velocidad dificultan su procesamiento tradicional. El aprendizaje automático es crucial para manejar y extraer valor de estos grandes conjuntos de datos, permitiendo descubrir patrones y hacer predicciones con ellos.
Ciencia de Datos:
La ciencia de datos es un campo interdisciplinario que involucra métodos científicos para extraer conocimiento de datos. El aprendizaje automático es una de las herramientas más poderosas dentro de la ciencia de datos, permitiendo la creación de modelos predictivos a partir de grandes volúmenes de datos.
Cloud Computing:
El cloud computing permite ofrecer servicios de computación a través de la red. A medida que los modelos de aprendizaje automático requieren grandes recursos de procesamiento, las plataformas en la nube se han convertido en una herramienta esencial para entrenar y desplegar estos modelos.
Deep Learning o Red Neuronal Profunda:
El deep learning es un subcampo del aprendizaje automático que utiliza redes neuronales profundas para modelar datos con múltiples capas de abstracción. Este enfoque es particularmente efectivo en tareas complejas como el procesamiento de imágenes y el reconocimiento de voz.
DeepFake:
El deepfake es una técnica que utiliza aprendizaje automático para alterar imágenes, sonidos y videos de manera tan realista que es casi imposible detectar las manipulaciones sin análisis avanzados.
Dropout:
Es una técnica utilizada en el entrenamiento de redes neuronales para prevenir el sobreajuste. En el aprendizaje automático, el dropout ayuda a mejorar la generalización de los modelos, haciendo que el modelo no dependa demasiado de ninguna neurona específica.
Entrenamiento de Modelos:
El entrenamiento de modelos es el proceso mediante el cual un modelo de aprendizaje automático es ajustado usando un conjunto de datos de entrenamiento para hacer predicciones precisas sobre datos no vistos anteriormente.
Filtro de Kalman:
El filtro de Kalman es un algoritmo utilizado para actualizar la proyección de un sistema de variables. Este tipo de algoritmo es comúnmente utilizado en el aprendizaje automático para mejorar la estimación de estados en sistemas dinámicos.
Generalización de Redes Neuronales:
La generalización se refiere a la capacidad de un modelo de aprendizaje automático para hacer predicciones precisas sobre datos que no ha visto antes, evitando el sobreajuste.
Inteligencia Artificial:
La inteligencia artificial es el campo que permite a las máquinas realizar tareas que requieren inteligencia humana. Dentro de este campo, el aprendizaje automático es uno de los enfoques más importantes, permitiendo que las máquinas aprendan de los datos sin programación explícita.
Máquinas de Soporte Vectorial (SVM):
Las SVM son un tipo de algoritmo de aprendizaje automático utilizado para clasificación y regresión. Se basan en la construcción de una superficie de decisión que optimiza la separación entre clases.
Natural Language Processing (NLP):
NLP es un campo que se utiliza en el aprendizaje automático para permitir que las computadoras comprendan, interpreten y respondan al lenguaje humano. Esto es esencial para aplicaciones como chatbots y asistentes virtuales.
Súper-AI (ASI):
La superinteligencia artificial representa un futuro en el que el aprendizaje automático supera las capacidades humanas en todos los campos, desde la toma de decisiones hasta la creatividad y la resolución de problemas complejos.
Red Neuronal:
Una red neuronal es un modelo de aprendizaje automático basado en una serie de capas de nodos que procesan y transforman los datos para hacer predicciones.
Sobreajuste (Overfitting):
El sobreajuste es un problema común en aprendizaje automático donde un modelo se ajusta demasiado a los datos de entrenamiento, lo que afecta su capacidad para generalizar a nuevos datos.
Red de Kohonen:
La red de Kohonen es un tipo de red neuronal utilizada en aprendizaje automático para la clasificación de datos sin supervisión. Es especialmente útil para la reducción de dimensionalidad y la visualización de grandes conjuntos de datos.
Perceptrón Multicapa (Multilayer Perceptron):
El perceptrón multicapa es un tipo de red neuronal que se utiliza en aprendizaje automático para tareas de clasificación y regresión complejas.
TensorFlow:
TensorFlow es una plataforma de código abierto utilizada para implementar modelos de aprendizaje automático y redes neuronales profundas, siendo uno de los marcos más populares en el desarrollo de IA.
Fuentes
MÉNDEZ Girón Alejandra Margarita (2013). Diseño de Algoritmos y su programación en C. Página 4 https://www.google.es/books/edition/Dise%C3%B1o_de_algoritmos_y_su_programaci%C3%B3n/sjxyEAAAQBAJ?hl=es-419&gbpv=1&dq=que+es+un+algoritmo&printsec=frontcover
BEUNZA Nuin Juan José (2023). MANUAL PRÁCTICO DE INTELIGENCIA ARTIFICIAL EN ENTORNOS SANITARIOS (2ª ED.) Editorial: Elsevier España, S.L.U. Páginas 7-12 https://www.google.es/books/edition/Manual_Pr%C3%A1ctico_de_Inteligencia_Artific/aQWtEAAAQBAJ?hl=es-419&gbpv=1&dq=medicina+e+inteligencia+artificial&printsec=frontcover
ORTEGA Candel José Manuel (2022). Big data, machine learning y data science en python. Ra- Ma Editorial https://www.google.es/books/edition/Big_data_machine_learning_y_data_science/81W6EAAAQBAJ?hl=es-419&gbpv=1&dq=%C3%81rbol+de+Decisi%C3%B3n+qu%C3%A9+es+en+machine+learning&pg=PT170&printsec=frontcover
LAHOZ Beltrá Rafael (2004). Bioinformática. Editorial Ediciones Díaz de Santos. Página 417 https://www.google.es/books/edition/Bioinform%C3%A1tica/1Lxt1Eviy8cC?hl=es-419&gbpv=1&dq=Aprendizaje+Supervisado&pg=PA417&printsec=frontcover
FOUAD Sabry. (2022). Natural Language Processing https://www.google.es/books/edition/Natural_Language_Processing/rM7JEAAAQBAJ?hl=es-419&gbpv=1&dq=Natural+Language+Processing+(NLP)+que+es&printsec=frontcover
GAUR Loveleen. (2023). “DeepFakes Creation, Detection and Impact”. Editorial Taylor &Francis Group. 1a Edición https://www.google.es/books/edition/DeepFakes/keN9EAAAQBAJ?hl=es-419&gbpv=1&dq=que+es+DeepFake&printsec=frontcover
Soria Olivas, E. (2022). Inteligencia artificial: casos prácticos con aprendizaje profundo. Ra-Ma. https://www.google.es/books/edition/Inteligencia_Artificial/Fc64EAAAQBAJ?hl=es-419&gbpv=1&dq=Entrenamiento+de+Modelos+en+IA+que+es&printsec=frontcover
Fausto; Tojoa Gómez, P., & Castro Caicedo, P. (2022). Máquina de entrenamiento comprimido basada en Extreme Learning Machine MEC-ELM. Universidad del Cauca. https://www.google.es/books/edition/M%C3%A1quina_de_Entrenamiento_Comprimido_Bas/k3bREAAAQBAJ?hl=es-419&gbpv=1&dq=qu%C3%A9+es+Error+de+Generalizaci%C3%B3n+en+Machine+learning&pg=PA25&printsec=frontcover
Scientia et Technica Año XI, No 27, Abril 2005. UTP. ISSN 0122-1701 file:///C:/Users/Deduc/Downloads/Dialnet-LASMAQUINASDESOPORTEVECTORIALSVMs-4838384.pdf
Novales, A. (Diciembre de 2017). Filtro de Kalman: teoría y aplicaciones. Departamento de Economía Cuantitativa, Universidad Complutense. Versión preliminar. chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.ucm.es/data/cont/media/www/pag-41459/Filtro%20de%20Kalman.pdf
Universidad Tecnológica Nacional – Facultad Regional Rosario, Departamento de Ingeniería Química, Grupo de Investigación Aplicada a la Ingeniería Química (GIAIQ). (2001). Redes Neuronales: Conceptos Básicos y Aplicaciones. En Informática Aplicada a la Ingeniería de Procesos – Orientación I. Profesores: Carlos Alberto Ruiz, Marta Susana Basualdo. Autor: Damián Jorge Matich. Rosario, Argentina. chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/monograias/matich-redesneuronales.pdf
