Inteligencia Artificial (IA): Campo de la informática que se enfoca en crear sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, como el reconocimiento de voz, la toma de decisiones y la traducción de idiomas.
Aprendizaje Automático (Machine Learning): Subcampo de la IA que permite a las computadoras aprender y hacer predicciones o decisiones basadas en datos, sin ser programadas específicamente para cada tarea.
Redes Neuronales: Modelos computacionales inspirados en el cerebro humano que se utilizan en el aprendizaje automático. Están formadas por capas de "neuronas" artificiales que procesan la información y la transmiten a otras neuronas.
Red Neuronal Artificial: Tipo de red neuronal utilizada para procesar datos complejos. Consiste en una serie de capas interconectadas que transforman la entrada en una salida deseada a través del aprendizaje.
Deep Learning (Aprendizaje Profundo): Subcampo del aprendizaje automático que utiliza redes neuronales con muchas capas (redes neuronales profundas) para analizar datos y encontrar patrones complejos.
Algoritmo: Conjunto de instrucciones paso a paso que una computadora sigue para resolver un problema o completar una tarea.
Big Data: Grandes volúmenes de datos que pueden ser analizados para revelar patrones, tendencias y asociaciones, especialmente en relación con el comportamiento y las interacciones humanas.
Chatbot (Bot Conversacional): Programa de computadora diseñado para simular una conversación con usuarios humanos, especialmente en línea. Puede responder preguntas, ofrecer información y realizar tareas específicas.
Asistente Virtual: Programa basado en IA que puede realizar tareas o servicios para un individuo, como Siri de Apple o Alexa de Amazon. Utiliza procesamiento de lenguaje natural para comprender y responder a las solicitudes del usuario.
Procesamiento de Lenguaje Natural (NLP): Rama de la IA que se ocupa de la interacción entre las computadoras y los humanos a través del lenguaje natural. Busca permitir que las máquinas comprendan, interpreten y respondan al lenguaje humano de manera significativa.
Visión por Computadora: Campo de la IA que entrena a las computadoras para interpretar y comprender el mundo visual. Utiliza imágenes y videos para identificar objetos, personas y otros elementos.
Datos de Entrenamiento: Conjunto de datos utilizados para entrenar un modelo de aprendizaje automático, permitiendo que aprenda y mejore sus predicciones o decisiones.
Modelo de IA: Representación matemática o computacional de un problema que la IA utiliza para hacer predicciones o tomar decisiones basadas en datos de entrada.
Automatización: Uso de tecnología para realizar tareas sin intervención humana. En el contexto de la IA, esto puede implicar la ejecución de tareas complejas que normalmente requieren inteligencia humana.
Algoritmo Genético: Método de búsqueda heurística basado en los principios de la selección natural y la genética. Se utiliza para generar soluciones útiles a problemas de optimización y búsqueda.
Clusterización (Clustering): Técnica de aprendizaje automático utilizada para agrupar un conjunto de objetos de tal manera que los objetos en el mismo grupo (o clúster) son más similares entre sí que a los de otros grupos.
Regresión: Técnica de aprendizaje automático utilizada para predecir un valor continuo basado en uno o más factores. Por ejemplo, predecir el precio de una casa en función de su tamaño y ubicación.
Clasificación: Técnica de aprendizaje automático utilizada para predecir la categoría a la que pertenece un conjunto de datos. Por ejemplo, determinar si un correo electrónico es spam o no.
Sobreajuste (Overfitting): Problema que ocurre cuando un modelo de aprendizaje automático se ajusta demasiado a los datos de entrenamiento, lo que resulta en un mal rendimiento con datos nuevos.
Subajuste (Underfitting): Problema que ocurre cuando un modelo de aprendizaje automático no se ajusta bien a los datos de entrenamiento, lo que resulta en un rendimiento deficiente tanto con datos de entrenamiento como con datos nuevos.