Términos del glosario

¿Qué es Aprendizaje de cuantificación vectorial – LVQ? El aprendizaje de cuantificación vectorial (LVQ, por sus siglas en inglés) es un algoritmo de aprendizaje supervisado inventado por Teuvo Kohonen, utilizado en el campo del aprendizaje automático para clasificar datos en conjuntos de clases predefinidos. LVQ es un tipo de red neuronal que se enfoca en dividir el espacio de características de los datos en regiones que corresponden a diferentes clases. El proceso de LVQ implica la asignación de pesos a cada uno de los nodos de la red. Los pesos se ajustan durante la fase de entrenamiento para que el modelo pueda clasificar los datos de manera más efectiva. Este ajuste se basa en la medida de distancia al igual que el clasificador k-NN. Así pues, a través de un aprendizaje competitivo, el prototipo más cercano a la muestra de entrenamiento es el que será actualizado, alejándose o acercándose según favorezca los resultados de clasificación. Durante la fase de predicción, el modelo utiliza los pesos de la red para asignar una clase a los nuevos casos que se le presentan.

¿Qué es Aprendizaje de máquina adversarial (AML)? El aprendizaje de máquina adversarial (AML) es una rama del aprendizaje de máquina que se enfoca en entrenar modelos de manera que sean resistentes a los ataques adversarios. En el contexto del AML, un ataque adversario es una perturbación deliberada a los datos de entrada que hace que el modelo de aprendizaje de máquina produzca una salida incorrecta o no deseada. El AML se enfoca en desarrollar modelos de aprendizaje de máquina que puedan detectar y resistir estos ataques adversarios, lo que puede ser crítico en aplicaciones de seguridad, como la detección de fraude en transacciones financieras, el reconocimiento facial y la detección de intrusiones en redes informáticas. Los ataques adversarios se pueden clasificar en diferentes tipos, como ataques de perturbación, en los que se agregan pequeñas modificaciones a los datos de entrada para engañar al modelo, o ataques de inyección, en los que se insertan datos maliciosos en la entrada. Para combatir estos ataques, los modelos de AML se entrenan con datos de entrada que contienen perturbaciones adversarias. Esto ayuda al modelo a aprender a reconocer y resistir estos ataques en el futuro. También se utilizan técnicas como el enmascaramiento de datos, la detección de anomalías y la agregación de modelos para mejorar la resistencia del modelo.

¿Qué es Aprendizaje de reglas de asociación? El aprendizaje de reglas de asociación es una técnica de minería de datos que se utiliza para descubrir patrones y relaciones entre diferentes variables en grandes conjuntos de datos. Esta técnica se utiliza para descubrir reglas que relacionan diferentes elementos en un conjunto de datos. Estas reglas se basan en la frecuencia de ocurrencia de ciertos elementos o conjuntos de elementos en los datos. El aprendizaje de reglas de asociación se utiliza a menudo en aplicaciones como la análisis de la cesta de la compra, donde se busca descubrir patrones en los productos que los clientes compran juntos para poder ofrecer recomendaciones personalizadas.

¿Qué es Aprendizaje federado? El aprendizaje federado es una técnica de aprendizaje automático que permite a múltiples dispositivos o sistemas colaborar en el entrenamiento de un modelo centralizado sin tener que compartir sus datos sensibles. En el aprendizaje federado, los dispositivos o sistemas mantienen sus datos de forma privada y solo comparten los parámetros del modelo entre ellos. Esta técnica es útil en situaciones en las que los datos sensibles no se pueden compartir, por ejemplo, cuando se trabaja con datos médicos o financieros. En lugar de recopilar todos los datos en un solo lugar para entrenar un modelo, el aprendizaje federado permite que los datos se mantengan en los dispositivos o sistemas locales, lo que garantiza la privacidad de los datos. El aprendizaje federado se utiliza en una variedad de aplicaciones, como el reconocimiento de voz, la detección de fraude y la recomendación personalizada. Por ejemplo, en el reconocimiento de voz, el aprendizaje federado permite que múltiples dispositivos personales participen en el entrenamiento de un modelo de reconocimiento de voz centralizado, lo que mejora la precisión del modelo sin comprometer la privacidad de los datos personales de los usuarios.

¿Qué es Aprendizaje no supervisado? El aprendizaje no supervisado es una técnica de machine learning donde se proporciona un conjunto de datos de entrada sin etiquetar al algoritmo, es decir, sin indicarle cuál es la salida esperada. El objetivo del algoritmo es identificar patrones o estructuras subyacentes en los datos de entrada y agruparlos de manera significativa. A diferencia del aprendizaje supervisado, en el que el algoritmo recibe datos etiquetados, en el aprendizaje no supervisado el algoritmo debe encontrar patrones y relaciones en los datos por sí mismo. Ejemplos comunes de técnicas de aprendizaje no supervisado son el clustering y la reducción de la dimensionalidad.

¿Qué es Aprendizaje por refuerzo? El aprendizaje por refuerzo es una técnica de machine learning en la que un agente aprende a tomar decisiones en un entorno interactivo, a través de la retroalimentación que recibe de su acción. El objetivo del agente es maximizar una recompensa numérica a largo plazo, que se le otorga por tomar las decisiones correctas en el entorno. El aprendizaje por refuerzo se basa en el concepto de prueba y error, donde el agente aprende a través de la interacción continua con el entorno, ajustando sus acciones en función de las recompensas y penalizaciones que recibe. El agente explora diferentes acciones en el entorno, observa los resultados y aprende a seleccionar las acciones que maximizan la recompensa a largo plazo. El aprendizaje por refuerzo se utiliza comúnmente en aplicaciones de robótica, juegos y automatización de procesos, donde un agente autónomo debe aprender a tomar decisiones en tiempo real para lograr objetivos específicos.

¿Qué es Aprendizaje por refuerzo profundo? El aprendizaje por refuerzo profundo (en inglés, deep reinforcement learning) es una técnica de machine learning que combina el aprendizaje por refuerzo con redes neuronales profundas (deep learning). En el aprendizaje por refuerzo profundo, un agente aprende a tomar decisiones a través de la retroalimentación recibida del entorno, pero en lugar de utilizar técnicas de aprendizaje clásicas, se utiliza una red neuronal profunda para aprender la política de decisión óptima. La red neuronal profunda toma como entrada los datos del entorno y produce como salida la acción que el agente debe tomar en ese momento. El aprendizaje por refuerzo profundo es una técnica muy poderosa para el aprendizaje de tareas complejas y no estructuradas, como el control de robots o la toma de decisiones en juegos complejos. Además, se ha demostrado que el aprendizaje por refuerzo profundo puede ser utilizado para aprender a jugar juegos de estrategia complejos, como Go o Ajedrez, superando a los mejores jugadores humanos.

¿Qué es Aprendizaje por transferencia? El aprendizaje por transferencia es una técnica de machine learning que consiste en utilizar el conocimiento adquirido por un modelo entrenado en una tarea específica para mejorar el rendimiento de otro modelo en una tarea relacionada pero diferente. En el aprendizaje por transferencia, se utiliza un modelo pre-entrenado, llamado modelo fuente, que ha aprendido a resolver una tarea específica, para inicializar los pesos del modelo de destino, que se utiliza para resolver una tarea relacionada pero diferente. La idea detrás del aprendizaje por transferencia es que el modelo pre-entrenado ya ha aprendido características generales y útiles del dominio de la tarea fuente, que también pueden ser útiles para la tarea de destino. El aprendizaje por transferencia se utiliza comúnmente en aplicaciones de visión por computadora y procesamiento de lenguaje natural, donde los datos de entrenamiento pueden ser limitados o costosos de obtener. También se utiliza en casos donde la tarea objetivo es lo suficientemente diferente de la tarea fuente, como para requerir una adaptación del modelo, pero aún hay algunas similitudes que se pueden aprovechar.

¿Qué es Aprendizaje semisupervisado? El aprendizaje semisupervisado es una técnica de machine learning que combina el aprendizaje supervisado y no supervisado para aprovechar conjuntos de datos que contienen pocos ejemplos etiquetados y muchos ejemplos no etiquetados. En el aprendizaje semisupervisado, se utilizan algoritmos de aprendizaje no supervisado para extraer características relevantes y representaciones útiles de los datos no etiquetados, y luego se utilizan estos conocimientos para mejorar la calidad del modelo de aprendizaje supervisado. El modelo de aprendizaje supervisado se entrena con los datos etiquetados y los datos no etiquetados, lo que permite aprovechar la información de los datos no etiquetados para mejorar la precisión del modelo. El aprendizaje semisupervisado es particularmente útil en aplicaciones donde la recopilación de datos etiquetados es costosa o difícil, pero donde se dispone de una gran cantidad de datos no etiquetados. Se ha demostrado que el aprendizaje semisupervisado mejora significativamente la precisión de los modelos de machine learning en aplicaciones de reconocimiento de voz, visión por computadora y procesamiento de lenguaje natural.