Machine Learning: el giro desde las reglas escritas hacia el aprendizaje con experiencia
Machine Learning describe una forma de construir programas que mejoran su desempeño mediante la experiencia. En lugar de…
Validation: la sala de ensayo donde un modelo aprende a corregirse
La validación es el momento en que un equipo deja de preguntar si un modelo puede aprender y…
Testing: el examen final que un modelo debe rendir sin conocer las respuestas
El testing es la evaluación que debería ocurrir cuando el equipo ya tomó las decisiones importantes sobre el…
Generalización: la capacidad de una IA para funcionar fuera de su cuaderno de ejercicios
Un modelo generaliza cuando puede aplicar lo aprendido a ejemplos que no vio durante el entrenamiento. Esa capacidad…
Overfitting: cuando un modelo memoriza el entrenamiento y olvida el mundo
El overfitting aparece cuando un modelo aprende tan bien los detalles de sus ejemplos de entrenamiento que deja…
Underfitting: cuando un modelo todavía no aprendió lo suficiente
El underfitting es el problema contrario al sobreajuste. El modelo no memoriza demasiado; aprende demasiado poco. Su desempeño…
Dataset: el mapa de ejemplos que decide qué puede aprender una IA
Un dataset no es una carpeta llena de archivos esperando que un algoritmo haga el trabajo difícil. Es…
Feature: cómo convertir el mundo en señales que un modelo pueda leer
Una máquina no recibe el mundo como lo recibe una persona. Para un modelo, una conversación, una fotografía…
Label: la respuesta que enseña al modelo qué significa acertar
Una etiqueta es la respuesta que el modelo intenta aprender. En un conjunto de correos puede indicar spam…
Modelo: la representación matemática que convierte datos en decisiones
Un modelo es una representación que transforma entradas en salidas. Puede estimar un precio, clasificar una solicitud, recomendar…