Términos del glosario

¿Qué es Redes crecientes auto-organizativas? Las Redes Auto-Organizativas Crecientes (Growing Self-Organizing Networks en inglés, abreviadas como GSOM) son un tipo de red neuronal artificial no supervisada que se utiliza para el aprendizaje y la visualización de datos en alta dimensión. Las GSOM se basan en una estructura de malla o rejilla, donde cada nodo representa una región de entrada en el espacio de características de los datos. El proceso de aprendizaje de las GSOM se divide en dos fases principales: una fase de crecimiento y una fase de poda. En la fase de crecimiento, los nodos se van añadiendo a la red de manera dinámica, según sea necesario para acomodar la distribución de los datos. En la fase de poda, se eliminan los nodos innecesarios, manteniendo solo los nodos que son relevantes para la representación de los datos. Las GSOM se utilizan a menudo para la visualización y exploración de grandes conjuntos de datos en alta dimensión. La estructura de malla de la red permite una representación bidimensional de los datos, lo que facilita la identificación de patrones y relaciones entre los datos. Además, las GSOM tienen la capacidad de adaptarse a nuevos datos, lo que las hace útiles para aplicaciones en tiempo real.

¿Qué es Redes neuronales convolucionales? Las Redes Neuronales Convolucionales (Convolutional Neural Networks en inglés, abreviadas como CNN) son un tipo de red neuronal artificial especialmente diseñada para procesar datos que tienen una estructura de malla, como imágenes, vídeos o señales de audio. Las CNN utilizan una operación matemática llamada convolución para extraer características relevantes de los datos de entrada y aprender a reconocer patrones en ellos. Las capas convolucionales de una CNN están compuestas por un conjunto de filtros o kernels que se aplican de forma repetida a la imagen de entrada, cada uno generando un mapa de características. Estos mapas de características se pasan a través de capas de submuestreo, también conocidas como capas de pooling, que reducen su tamaño para disminuir la complejidad computacional de la red. Finalmente, las capas completamente conectadas de la CNN se encargan de clasificar la imagen en una o varias categorías. Las CNN son especialmente útiles en tareas de visión por computadora, como la clasificación de imágenes, la detección de objetos y la segmentación semántica. Su capacidad para aprender y extraer características relevantes de forma automática ha revolucionado el campo de la visión por computadora y ha permitido la creación de aplicaciones prácticas como la detección de caras en fotografías, la clasificación de imágenes en redes sociales y la conducción autónoma en vehículos.

¿Qué es Redes neuronales tipos Gas? Las Redes Neuronales tipo Gas, también conocidas como Redes de Kohonen o mapas auto-organizativos, son un tipo de modelo de redes neuronales artificiales no supervisadas. Estas redes se utilizan para clasificar y visualizar datos complejos en una estructura de baja dimensión, lo que las hace útiles para la exploración de datos y la reducción de dimensionalidad. El funcionamiento de estas redes se basa en la similitud entre patrones de entrada y un conjunto de vectores de pesos que se ajustan durante el proceso de entrenamiento. Estos vectores de pesos representan los nodos de una estructura de malla bidimensional, en la cual los nodos vecinos tienen pesos similares. Durante el entrenamiento, los patrones de entrada se presentan a la red y los vectores de peso se ajustan para que los patrones similares se agrupen en nodos cercanos. Una vez que la red ha sido entrenada, se puede utilizar para clasificar nuevos patrones de entrada en una de las categorías previamente definidas. Las redes neuronales tipo Gas se utilizan en diversas aplicaciones, como el análisis de datos, la segmentación de imágenes, la clasificación de textos, la detección de anomalías, entre otras. Las Redes Neuronales tipo Gas y las redes SOM (Self-Organizing Maps o Mapas Auto-organizados) son términos que se refieren al mismo tipo de red neuronal artificial no supervisada. De hecho, la Red de Kohonen, que es el nombre original de estas redes, fue propuesta por el científico finlandés Teuvo Kohonen en 1982. El término «Mapa Auto-organizado» fue introducido posteriormente por Kohonen en 1984, y es un término más descriptivo que el nombre original. El término «Red Neuronal tipo Gas» es menos común que el término «Red de Kohonen» o «Red SOM», pero también se utiliza para referirse a estas redes, en particular en algunos estudios de investigación y en la literatura técnica.

¿Qué es Regresión logística? La regresión logística es un modelo estadístico utilizado para analizar y predecir la relación entre una variable dependiente binaria (solo dos posibles valores) y una o más variables independientes, que pueden ser categóricas o continuas. Es un tipo de análisis de regresión utilizado en machine learning y minería de datos. La regresión logística se basa en la función logística o sigmoidal, que es una curva en forma de «S» que permite modelar la probabilidad de que la variable dependiente tenga un valor determinado en función de las variables independientes. La función logística convierte cualquier valor de entrada en un valor entre 0 y 1, lo que se interpreta como la probabilidad de que el evento ocurra. El objetivo de la regresión logística es encontrar los coeficientes que mejor ajusten los datos y permitan predecir con mayor precisión la probabilidad de que la variable dependiente tome uno de los dos valores posibles. Los coeficientes se ajustan mediante un proceso iterativo de optimización que minimiza el error en la predicción de los valores de la variable dependiente.

¿Qué es Repositorio? Un repositorio es un espacio de almacenamiento de datos y archivos donde se guarda el código fuente, modelos de aprendizaje automático, conjuntos de datos y otra información relacionada con un proyecto. En el contexto de inteligencia artificial y machine learning, los repositorios son particularmente útiles para compartir y colaborar en proyectos, ya que permiten a los usuarios acceder a los mismos recursos y contribuir a su desarrollo. Algunos ejemplos de repositorios populares incluyen GitHub y GitLab.

¿Qué es Retroalimentación (Feedback)? El feedback, o retroalimentación en español, se refiere a la información que se proporciona a un sistema o modelo de aprendizaje automático después de que ha hecho una predicción o tomado una decisión. El feedback se utiliza para mejorar el rendimiento del modelo mediante la corrección de errores y la actualización de los parámetros del modelo en consecuencia. El feedback puede ser positivo o negativo, y puede ser proporcionado de forma supervisada o no supervisada. En el aprendizaje supervisado, el feedback se proporciona en forma de etiquetas de entrenamiento que se utilizan para ajustar el modelo. En el aprendizaje no supervisado, el feedback se proporciona a través de la comparación de las predicciones del modelo con las observaciones del mundo real. El feedback es importante en el aprendizaje automático porque permite a los modelos adaptarse y mejorar con el tiempo. Sin feedback, los modelos pueden estancarse en soluciones subóptimas y no ser capaces de aprender de forma efectiva a partir de nuevos datos. Además, el feedback también es importante para la evaluación del rendimiento del modelo, ya que permite la comparación de las predicciones del modelo con las observaciones reales y la identificación de posibles errores o incoherencias.

¿Qué es Retropropagación? La retropropagación (backpropagation en inglés) es un algoritmo utilizado en las redes neuronales artificiales supervisadas para ajustar los pesos de las conexiones entre las neuronas, con el fin de reducir el error en la predicción de un modelo. El objetivo de la retropropagación es minimizar una función de error o función de costo que mide la diferencia entre la salida real y la salida esperada. La retropropagación funciona propagando el error hacia atrás a través de la red neuronal, comenzando por la capa de salida y retrocediendo hacia las capas ocultas. Para cada capa, se calcula la contribución relativa de cada neurona a la función de costo, y se utilizan estas contribuciones para ajustar los pesos de las conexiones. La retropropagación se basa en la regla de la cadena de la derivada, que permite calcular la tasa de cambio de una función compuesta en términos de las tasas de cambio de sus componentes individuales. En el contexto de la retropropagación, la regla de la cadena se utiliza para calcular la contribución de cada neurona a la función de costo, en función de sus entradas y de los pesos de las conexiones que la conectan con las capas siguientes. La retropropagación es uno de los algoritmos más utilizados en el entrenamiento de redes neuronales supervisadas, y ha demostrado ser efectivo en una amplia variedad de aplicaciones, como el reconocimiento de patrones, la clasificación de imágenes y el procesamiento del lenguaje natural.

¿Qué es Segmentación de imágenes? La segmentación de imágenes es el proceso de dividir una imagen digital en varias regiones o segmentos, cada uno de los cuales corresponde a un objeto o fondo específico en la imagen. La segmentación de imágenes es un paso importante en muchos procesos de procesamiento de imágenes, como la detección de objetos, la medición de características y la extracción de información de imágenes. En el contexto de la inteligencia artificial y el aprendizaje automático, la segmentación de imágenes se utiliza a menudo como un paso de preprocesamiento para mejorar la precisión de los modelos de aprendizaje automático. Los algoritmos de segmentación de imágenes pueden basarse en técnicas de umbralización, detección de bordes, crecimiento de regiones, entre otros.

¿Qué es Selección de características? La selección de características es un proceso de selección de variables relevantes e informativas para un modelo de aprendizaje automático, con el objetivo de mejorar la precisión y la capacidad de generalización del modelo. En lugar de utilizar todas las variables disponibles, se seleccionan las características más relevantes para reducir el costo computacional y mejorar la interpretación del modelo. Las técnicas de selección de características incluyen métodos estadísticos, de correlación y de importancia de características, entre otros. Es una técnica comúnmente utilizada en el preprocesamiento de datos para el aprendizaje automático.