Machine Learning

Exactitud

El porcentaje de predicciones correctas sobre el total de predicciones.

Lote

Un grupo de ejemplos que el modelo procesa juntos antes de actualizar sus parámetros.

Época

Una pasada completa del modelo por todo el dataset de entrenamiento.

Característica

Una propiedad medible de un ejemplo que el modelo usa como entrada para hacer una predicción.

Generalización

La capacidad de un modelo de funcionar bien con datos que no vio durante el entrenamiento.

Etiqueta

La respuesta correcta asociada a un ejemplo de entrenamiento, que el modelo aprende a predecir.

Machine Learning

Una rama de la IA en la que las computadoras aprenden patrones a partir de datos en lugar de seguir reglas programadas a mano.

Sobreajuste

Cuando un modelo memoriza los datos de entrenamiento, incluido su ruido, y falla con datos nuevos.

Aprendizaje autosupervisado

Aprender de datos sin etiquetas creando la tarea a partir de los propios datos, por ejemplo, adivinar la siguiente palabra.

Aprendizaje semisupervisado

Combinar pocos ejemplos etiquetados con muchos sin etiquetar para entrenar un modelo.

Aprendizaje supervisado

Aprender a partir de ejemplos que incluyen la respuesta correcta, para luego predecirla en casos nuevos.

Subajuste

Cuando un modelo es demasiado simple o está poco entrenado y no logra capturar los patrones de los datos.

Aprendizaje no supervisado

Aprender patrones y estructuras en datos que no tienen etiquetas.

Explainability

La capacidad de explicar, en términos comprensibles para personas, por qué un modelo tomó una decisión concreta.

Aprendizaje con pocos ejemplos

Incluir unos pocos ejemplos de la tarea dentro del prompt para mostrarle al modelo exactamente qué se espera.

Ajuste fino

Continuar el entrenamiento de un modelo ya entrenado con datos específicos para especializarlo en una tarea, estilo o dominio.

Tasa de aprendizaje

Un hiperparámetro que controla qué tan grandes son los ajustes que se hacen a los parámetros en cada paso de entrenamiento.

Función de pérdida

Una fórmula que mide qué tan equivocadas están las predicciones del modelo; el entrenamiento busca hacerla lo más pequeña posible.

Encontrar los valores que minimizan (o maximizan) una función; en IA, los parámetros que minimizan la pérdida.

Precisión

De todos los casos que el modelo marcó como positivos, qué proporción realmente lo era.

Exhaustividad

De todos los casos que realmente eran positivos, qué proporción logró detectar el modelo.

Regularización

Técnicas que limitan la complejidad de un modelo para evitar que memorice los datos y mejorar su generalización.

Aprendizaje sin ejemplos

Pedirle a un modelo que realice una tarea sin darle ningún ejemplo, solo la instrucción.

Entropía cruzada

La función de pérdida estándar para clasificación y modelos de lenguaje: penaliza al modelo cuando asigna baja probabilidad a la respuesta correcta.

Descenso de gradiente

Un algoritmo de optimización que ajusta los parámetros de un modelo dando pequeños pasos en la dirección que más reduce el error.

Reinforcement Learning

Un paradigma en el que un agente aprende a tomar decisiones probando acciones y recibiendo recompensas o penalizaciones.