Términos del glosario

¿Qué es Aprendizaje supervisado? El aprendizaje supervisado es una técnica de machine learning en la que se entrena un modelo para aprender a mapear entradas a salidas correspondientes, utilizando un conjunto de datos etiquetados. Los datos etiquetados consisten en ejemplos de entradas, también llamados características o variables independientes, junto con sus correspondientes salidas, también llamadas etiquetas o variables dependientes. En el aprendizaje supervisado, el modelo de machine learning aprende a generalizar a partir de los ejemplos etiquetados, de manera que pueda predecir las salidas correspondientes a nuevas entradas nunca vistas antes. El objetivo es que el modelo pueda aprender una función que mapee de manera efectiva las entradas a las salidas correspondientes. El aprendizaje supervisado se utiliza en aplicaciones como la clasificación de imágenes, el reconocimiento de voz, la traducción automática y la predicción de precios de acciones, entre otras. Se han desarrollado muchos algoritmos de aprendizaje supervisado, incluyendo árboles de decisión, regresión lineal, redes neuronales y máquinas de vectores de soporte, entre otros.

¿Qué es Archivo CSV? CSV significa «Comma-Separated Values» (Valores Separados por Comas, en español) y se refiere a un formato de archivo de texto plano utilizado para almacenar y intercambiar datos tabulares. En inteligencia artificial y machine learning, los archivos CSV son comúnmente utilizados para almacenar conjuntos de datos que se utilizarán para entrenar modelos de aprendizaje automático. Los datos suelen estar organizados en filas y columnas, donde cada columna representa una variable o característica del conjunto de datos y cada fila representa una instancia o ejemplo. Los archivos CSV se pueden abrir y manipular con una variedad de programas y lenguajes de programación, lo que los hace muy populares para el intercambio de datos y la colaboración en proyectos de inteligencia artificial y machine learning.

¿Qué es ARMAX? ARMAX es un modelo estadístico utilizado en el análisis de series temporales y en la predicción de variables dinámicas. ARMAX es un acrónimo de «AutoRegressive Moving Average model with eXogenous inputs». El modelo ARMAX combina los modelos autoregresivos (AR) y la media móvil (MA) con variables exógenas (X) para modelar la relación entre una variable de interés y otras variables explicativas. El modelo ARMAX es útil cuando los valores futuros de la variable de interés pueden depender de los valores pasados de la misma variable, así como de los valores pasados de otras variables relacionadas. En la práctica, el modelo ARMAX se puede ajustar a los datos mediante la identificación de los parámetros de AR, MA y X que mejor describen la serie temporal. Luego, se puede utilizar el modelo ajustado para hacer predicciones futuras o para analizar la relación entre la variable de interés y las variables exógenas. El modelo ARMAX fue propuesto originalmente en el artículo «Transfer Function Modeling and Digital Simulation for Non-Gaussian Processes» escrito por George E. P. Box y Gwilym M. Jenkins en 1976. Este artículo es considerado como uno de los trabajos fundamentales en la teoría de modelos de series de tiempo y ha sido ampliamente citado en la literatura de estadística y econometría. Desde entonces, se han propuesto varias extensiones y variaciones del modelo ARMAX para abordar diferentes problemas en el análisis de series de tiempo.

¿Qué es Arquitectura de red neuronal? La arquitectura de red neuronal se refiere a la estructura y organización de una red neuronal artificial, que es un modelo matemático que se inspira en la estructura y funcionamiento del cerebro humano. La arquitectura de red neuronal define cómo se conectan las neuronas artificiales entre sí para procesar y transmitir información. Las redes neuronales se componen de capas de neuronas interconectadas, cada una de las cuales realiza operaciones matemáticas en la entrada recibida y produce una salida que se envía a la siguiente capa. La arquitectura de la red neuronal puede ser simple o compleja, dependiendo de la complejidad del problema que se esté abordando. Por ejemplo, una arquitectura de red neuronal simple podría tener solo una capa de entrada, una capa oculta y una capa de salida, mientras que una arquitectura más compleja podría tener múltiples capas ocultas y conexiones entre capas no lineales. La elección de la arquitectura de la red neuronal es un aspecto importante en la construcción de un modelo de aprendizaje profundo, y puede tener un impacto significativo en su rendimiento y eficacia. Los investigadores de machine learning continúan explorando y desarrollando nuevas arquitecturas de red neuronal para abordar una amplia gama de problemas en áreas como la visión por computadora, el procesamiento del lenguaje natural y el reconocimiento de voz, entre otros.

¿Qué es ARX? ARX es un modelo estadístico utilizado en el análisis de series de tiempo y en la predicción de variables dinámicas. ARX es un acrónimo de «AutoRegressive model with eXogenous inputs». El modelo ARX es una extensión del modelo autoregresivo (AR) que incorpora variables exógenas (X) para modelar la relación entre una variable de interés y otras variables explicativas. El modelo ARX es útil cuando los valores futuros de la variable de interés pueden depender de los valores pasados de la misma variable, así como de los valores pasados de otras variables relacionadas. En la práctica, el modelo ARX se puede ajustar a los datos mediante la identificación de los parámetros de AR y X que mejor describen la serie de tiempo. Luego, se puede utilizar el modelo ajustado para hacer predicciones futuras o para analizar la relación entre la variable de interés y las variables exógenas. El modelo ARX es un modelo más simple que el modelo ARMAX, ya que solo considera la relación entre la variable de interés y las variables exógenas a través de un término autoregresivo. Sin embargo, el modelo ARX sigue siendo útil en muchos casos en los que la inclusión de términos de media móvil o de más de una variable exógena no es necesaria o no es posible.

¿Qué es Asistentes digitales? Los asistentes digitales son programas de software diseñados para interactuar con los usuarios y realizar tareas en su nombre mediante la interpretación del lenguaje natural. Estos programas utilizan inteligencia artificial y técnicas de procesamiento del lenguaje natural para comprender y responder a las solicitudes y preguntas de los usuarios. Los asistentes digitales son comunes en los dispositivos móviles y se utilizan para realizar una amplia gama de tareas, como responder preguntas, programar recordatorios, enviar mensajes de texto, realizar búsquedas en línea y reproducir música. Ejemplos populares de asistentes digitales incluyen Siri de Apple, Google Assistant de Google, Alexa de Amazon y Cortana de Microsoft. Además de los asistentes digitales de consumo, también existen asistentes digitales diseñados para aplicaciones empresariales y servicios en línea, como chatbots y sistemas de atención al cliente automatizados. Estos asistentes digitales pueden ser programados para realizar tareas específicas y proporcionar información y soporte a los usuarios de manera automatizada y eficiente.

¿Qué es Aumento de datos? El aumento de datos (en inglés, data augmentation) es una técnica utilizada en el aprendizaje automático y la inteligencia artificial para aumentar la cantidad de datos disponibles para entrenar un modelo. Esta técnica implica generar nuevos datos a partir de los datos existentes mediante la aplicación de transformaciones que mantienen las etiquetas originales. El aumento de datos se utiliza comúnmente en aplicaciones de visión por computadora y procesamiento de imágenes, donde se aplican transformaciones como la rotación, el recorte, la inversión de color y el cambio de tamaño para crear variaciones de las imágenes originales. De esta manera, el modelo puede aprender a reconocer las características relevantes de la imagen independientemente de su orientación, tamaño y otros factores. El aumento de datos es una técnica eficaz para evitar el sobreajuste en los modelos de aprendizaje automático, donde el modelo se ajusta demasiado a los datos de entrenamiento y no generaliza bien a los nuevos datos. Al aumentar la cantidad y variedad de los datos de entrenamiento, se puede mejorar la capacidad del modelo para generalizar a nuevos datos y mejorar su precisión y rendimiento.

¿Qué es Auto-ajuste de modelos predictivos? El auto-ajuste de modelos predictivos (en inglés, automatic model tuning) es una técnica utilizada en el aprendizaje automático y la inteligencia artificial para optimizar automáticamente los hiperparámetros de un modelo predictivo. Los hiperparámetros son parámetros que no se aprenden durante el entrenamiento del modelo, sino que se establecen antes del entrenamiento y afectan directamente el rendimiento del modelo. El auto-ajuste de modelos predictivos implica la selección automática de los mejores valores de los hiperparámetros mediante la exploración sistemática de las diferentes combinaciones posibles y la evaluación de su rendimiento en un conjunto de validación. Esta técnica puede utilizarse en una amplia variedad de modelos de aprendizaje automático, como árboles de decisión, redes neuronales y máquinas de vectores de soporte. El auto-ajuste de modelos predictivos puede mejorar significativamente el rendimiento y la precisión de un modelo predictivo, especialmente en conjuntos de datos grandes y complejos. Al optimizar automáticamente los hiperparámetros, se puede reducir la necesidad de ajuste manual y la intervención humana, lo que puede ahorrar tiempo y recursos y mejorar la escalabilidad y la eficiencia del proceso de modelado.

¿Qué es Autoconciencia? La autoconciencia (en inglés, self-awareness) en inteligencia artificial y machine learning se refiere a la capacidad de un sistema para tener una comprensión de sí mismo y su entorno, y para adaptarse y aprender de acuerdo a esa comprensión. En otras palabras, la autoconciencia implica que un sistema de inteligencia artificial es capaz de monitorear y evaluar su propio rendimiento, identificar sus fortalezas y debilidades, y hacer ajustes para mejorar su desempeño. También puede incluir la capacidad de reconocer sus propias limitaciones y buscar ayuda o recursos adicionales cuando sea necesario. En el contexto de la inteligencia artificial, la autoconciencia se considera un paso importante hacia la creación de sistemas de inteligencia artificial más avanzados y autónomos, que pueden adaptarse y tomar decisiones de forma independiente. La autoconciencia también puede ser una consideración importante en la ética de la inteligencia artificial, ya que los sistemas que son conscientes de sí mismos pueden ser más capaces de evitar el comportamiento impropio o perjudicial.