Inteligencia Artificial (IA) :
El gran campo que se encarga de hacer que las computadoras sean inteligentes, de manera que puedan manejar tareas como entender el lenguaje, reconocer imágenes y tomar decisiones.
Aprendizaje Automático (Machine Learning, ML):
Una parte de la IA donde las computadoras aprenden a partir de datos para hacer predicciones o tomar decisiones por sí solas. Es como enseñar a una computadora a reconocer patrones sin darle instrucciones específicas.
K-Means:
Una forma de agrupar datos por similitud. Por ejemplo, agrupar a los clientes con hábitos de compra similares.
Regresión Lineal/Logística:
Métodos para predecir resultados, como pronosticar ventas o la probabilidad de que alguien haga clic en un anuncio.
Máquina de Vectores de Soporte (SVM):
Una herramienta para clasificar datos, como identificar correos electrónicos de spam.
Árboles de Decisión:
Una serie de elecciones tipo «si-entonces», que ayudan a las computadoras a tomar decisiones, como diagnosticar una condición médica.
k-Vecinos Más Cercanos (k-Nearest Neighbor, k-NN):
Una manera de clasificar datos mirando ejemplos cercanos, como recomendar películas basadas en gustos similares.
Bosque Aleatorio (Random Forest):
Un conjunto de árboles de decisión que trabajan juntos para hacer predicciones más precisas.
Redes Neuronales:
Una parte del ML inspirada en el cerebro humano, donde capas de “neuronas” ayudan a reconocer patrones complejos. Esto es lo que potencia el reconocimiento facial y los asistentes de voz.
MLP (Perceptrón Multicapa):
Un tipo básico de red neuronal con capas que procesan información paso a paso.
Redes Neuronales de Boltzmann:
Una red especializada para tareas de aprendizaje complejas, a menudo utilizada en el aprendizaje profundo.
Aprendizaje Profundo (Deep Learning, DL):
La parte avanzada de las redes neuronales con múltiples capas que permiten a las computadoras analizar enormes cantidades de datos. Esto potencia aplicaciones más complejas de la IA, como los autos autónomos y la generación creativa de imágenes.
CNN (Red Neuronal Convolucional):
Especializada en el reconocimiento de imágenes, ayudando a las aplicaciones a identificar objetos y rostros en fotos.
GAN (Red Generativa Antagónica):
Genera nuevos datos, como la creación de rostros realistas o de obras de arte.
RNN (Red Neuronal Recurrente):
Ideal para procesar secuencias, como predecir la próxima palabra en una oración.
DBN (Red de Creencias Profundas):
Una red para el aprendizaje no supervisado, que permite a las computadoras encontrar patrones en datos no etiquetados.
