en resumen es las tecnologías que permiten a las maquinas realizar tareas que normalmente requieren inteligencia humana como aprender, razonar y resolver problemas

Un sub conjunto de la IA que utiliza maquinas para buscar patrones en los datos y construir modelos lógicos automáticamente

A diferencia de la programación tradicional, donde una persona escribe reglas explícitas (Si pasa A, haz B), en el Machine Learning se invierte el proceso: le entregamos al algoritmo los datos y los resultados deseados, y la máquina “aprende” a identificar la lógica por sí misma.

Es un sub conjunto del machine learning compuesto por redes n neuronales profundamente multilayer que realizan tareas como el reconocimiento de voz y imágenes

Impulsada por grandes modelos de datos que están pre entrenados en vastos corpus de datos y comúnmente referidos como modelos fundacionales

Es una representación matemática de un proceso real que utiliza algoritmos para aprender patrones a partir de datos y hacer predicciones o decisiones basadas en esos patrones

los modelos se entrenarán usando un conjunto de datos etiquetados o no etiquetados

los modelos constan de parámetros (valores ajustables) y una estructura (redes neuronales, arboles de decisión) que determinan como se procesa la entrada para generar una salida

para crear un modelo se hace en un proceso de entrenamiento, validación prueba

El Machine Learning no es una herramienta única, sino un conjunto de enfoques diseñados para resolver distintos tipos de problemas. Como vemos en la imagen, podemos dividir este universo en tres categorías principales:

1. Aprendizaje Supervisado

Es el enfoque más común, donde el modelo aprende a partir de datos ya etiquetados (sabemos la respuesta de antemano). Se divide en dos grandes tareas:

• Clasificación: El objetivo es asignar categorías.
  • Ejemplos: Identificar si una imagen es de un gato o un perro, detectar fraude bancario o predecir si un cliente abandonará el servicio.
• Regresión: Aquí buscamos predecir un valor numérico continuo.
  • Ejemplos: Pronosticar el tiempo, estimar el precio de una vivienda o la esperanza de vida de una persona.

2. Aprendizaje No Supervisado

A diferencia del anterior, aquí el modelo trabaja con datos sin etiquetas; su trabajo es “descubrir” la estructura oculta por sí solo.

• Clustering: Se usa para encontrar grupos con características similares.
  • Ejemplos: Segmentación de clientes para marketing o sistemas de recomendación (como los de Netflix o Amazon).
• Reducción de Dimensionalidad: Sirve para simplificar datos complejos sin perder la información importante.
  • Ejemplos: Compresión de imágenes, visualización de Big Data y descubrimiento de estructuras ocultas en grandes volúmenes de información.

3. Aprendizaje por Refuerzo

Ensayo y error. El modelo aprende a base de interactuar con un entorno y recibir recompensas o penalizaciones.

• Es la base de los avances más espectaculares en tecnología avanzada.
• Aplicaciones críticas: Robótica, conducción autónoma y el desarrollo de IA para juegos y entretenimiento.

---

programación y los estándares de tu equipo.

---