Fundamentos de AI/ML - AWS Certified AI Practitioner (AIF-C01)

Tarjetas de vocabulario de conceptos fundamentales de IA y ML basadas en el material de preparación para el examen AWS Certified AI Practitioner (AIF-C01).

Inteligencia Artificial (AI)

El campo general que busca que las máquinas realicen tareas que normalmente requieren inteligencia humana.

Machine Learning (ML)

Una subárea de la Inteligencia Artificial donde los sistemas aprenden patrones de los datos para hacer predicciones o tomar decisiones.

Deep Learning (Aprendizaje Profundo)

Un tipo de Machine Learning que utiliza redes neuronales de múltiples capas (multi-layer neural networks).

IA Generativa (Generative AI)

Inteligencia Artificial que genera contenido nuevo como texto, imágenes, audio, video o código.

Aprendizaje supervisado (Supervised learning)

Aprendizaje a partir de datos de entrenamiento etiquetados (labeled).

Aprendizaje no supervisado (Unsupervised learning)

Aprendizaje de patrones o estructuras a partir de datos no etiquetados (unlabeled).

Aprendizaje por refuerzo (Reinforcement learning)

Aprendizaje mediante acciones y recompensas o penalizaciones.

Clasificación (Classification)

Tarea de ML supervisado que predice una categoría o clase (ejemplos: spam vs. no spam, fraude vs. legítimo, gato vs. perro).

Regresión (Regression)

Tarea de ML que predice un valor numérico continuo (ejemplos: precio de una casa, ventas, temperatura o demanda).

Entrenamiento (Training)

El proceso de aprender patrones a partir de datos de entrenamiento para crear un modelo.

Inferencia (Inference)

Uso de un modelo entrenado para generar predicciones u outputs a partir de nuevos inputs.

Sobreajuste (Overfitting)

Cuando un modelo aprende los datos de entrenamiento demasiado de cerca y funciona mal con datos nuevos. Se asocia generalmente con alta varianza (variance).

Subajuste (Underfitting)

Cuando el modelo es demasiado simple o no está suficientemente entrenado para captar patrones importantes. Se asocia generalmente con alto sesgo (bias).

Característica (Feature)

Una variable de entrada o característica medible utilizada por un modelo de Machine Learning.

Etiqueta (Label)

El objetivo o respuesta correcta asociada a un ejemplo de entrenamiento en aprendizaje supervisado.

Modelo (Model)

Una representación matemática aprendida que se utiliza para hacer predicciones o generar outputs.

Dataset de entrenamiento (Training dataset)

Datos utilizados para aprender los parámetros del modelo.

Dataset de validación (Validation dataset)

Datos utilizados durante el desarrollo para ajustar o comparar modelos.

Dataset de prueba (Test dataset)

Datos retenidos (held-out data) utilizados para estimar el rendimiento del modelo en datos no vistos.

Exactitud (Accuracy)

La proporción de predicciones que son correctas.

Precisión (Precision)

Entre los positivos predichos, la proporción que es realmente positiva.

Sensibilidad (Recall)

Entre los positivos reales, la proporción identificada correctamente. Es especialmente importante cuando omitir un caso positivo es costoso (ej. detección de fraude grave o enfermedades).

Puntuación F1 (F1 score)

La media armónica de la precisión (precision) y la sensibilidad (recall).

Anomalía (Anomaly)

Una observación que difiere significativamente de los patrones esperados.

Agrupamiento (Clustering)

Agrupar observaciones similares sin necesidad de etiquetas predefinidas.

Reducción de dimensionalidad (Dimensionality reduction)

Reducir el número de características (features) manteniendo la información útil.

Preprocesamiento de datos (Data preprocessing)

Preparación de datos para ML, como limpiarlos, transformarlos, codificarlos o escalarlos.

Fuga de datos (Data leakage)

Ocurre cuando información no disponible en el momento de la predicción entra indebidamente en el entrenamiento o en la evaluación.

Hiperparámetro del modelo (Hyperparameter)

Una configuración elegida antes o durante el entrenamiento que controla el proceso de aprendizaje.

Red neuronal (Neural network)

Un modelo compuesto por unidades computacionales interconectadas organizadas en capas.

Época (Epoch)

Un pase completo a través de todo el dataset de entrenamiento.

Despliegue de modelo (Deployment)

Poner a disposición un modelo entrenado para servir predicciones u outputs.

Monitoreo de modelo (Monitoring)

Observación continua de un modelo desplegado para detectar problemas de rendimiento, calidad o desvío (drift).