Términos del glosario

¿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.