Glosario de IA/ML

Estructura de datos bidimensional de pandas, similar a una tabla de Excel o base de datos SQL. Tiene filas y columnas con etiquetas, y permite operaciones vectorizadas eficientes sobre los datos.

Estructura de datos unidimensional de pandas, similar a una columna de un DataFrame. Cada elemento tiene un índice y un valor.

Estructura de datos de NumPy para operaciones matemáticas vectorizadas. Es la base de pandas, scikit-learn y TensorFlow. Mucho más rápido que las listas de Python para cálculos numéricos.

Tipo de ML donde el modelo aprende de datos etiquetados (X → y). El algoritmo aprende la relación entre las características de entrada (features) y la variable objetivo (target) para hacer predicciones en datos nuevos.

Tipo de ML donde el modelo encuentra patrones en datos sin etiquetas. No hay variable objetivo. Se usa para segmentación de clientes, detección de anomalías y reducción de dimensionalidad.

Variable de entrada usada por el modelo para hacer predicciones. También llamada variable independiente o atributo. La selección de buenos features es clave para el rendimiento del modelo.

La variable que el modelo intenta predecir. En clasificación es una categoría (ej: churn=Sí/No). En regresión es un valor numérico (ej: precio de venta). También llamada variable dependiente o label.

El modelo aprende demasiado bien los datos de entrenamiento, incluyendo el ruido, y falla en datos nuevos. Es como memorizar las preguntas del examen sin entender el tema. Se detecta cuando accuracy en train >> accuracy en test.

El modelo es demasiado simple para capturar los patrones en los datos. Tiene mal rendimiento tanto en entrenamiento como en prueba. Ocurre cuando el modelo tiene muy poca capacidad o cuando los features son insuficientes.

Proporción de predicciones correctas sobre el total. Es la métrica más intuitiva pero puede ser engañosa con clases desbalanceadas. Si el 95% de transacciones son legítimas, un modelo que siempre predice 'legítimo' tiene 95% de accuracy pero es inútil.

De todos los casos que el modelo predijo como positivos, ¿cuántos realmente lo eran? Alta precisión = pocos falsos positivos. Importante cuando el costo de una falsa alarma es alto (ej: enviar correo de spam a cliente legítimo).

De todos los casos positivos reales, ¿cuántos detectó el modelo? Alto recall = pocos falsos negativos. Crítico cuando no detectar un caso positivo es muy costoso (ej: no detectar un cáncer, no detectar fraude).

Media armónica de Precision y Recall. Útil cuando hay desbalance de clases y cuando tanto los falsos positivos como los falsos negativos son costosos. Valor entre 0 y 1, donde 1 es perfecto.

Métrica para modelos de regresión. Mide la distancia promedio entre las predicciones y los valores reales, en las mismas unidades que la variable objetivo. Penaliza más los errores grandes.

Área Bajo la Curva ROC. Mide la capacidad del modelo para discriminar entre clases. AUC = 0.5 es aleatorio, AUC = 1.0 es perfecto. Muy útil para comparar modelos con clases desbalanceadas.

Algoritmo de clasificación que predice la probabilidad de que una observación pertenezca a una clase. A pesar del nombre, es un clasificador, no un regresor. Usa la función sigmoide para mapear valores a probabilidades entre 0 y 1.

Ensemble de múltiples árboles de decisión entrenados con muestras aleatorias de datos y features. Combina sus predicciones por votación (clasificación) o promedio (regresión). Robusto, preciso y resistente al overfitting.

Algoritmo de clustering que agrupa datos en K clusters. Asigna cada punto al centroide más cercano e itera hasta convergencia. Requiere especificar K de antemano. Ideal para segmentación de clientes (RFM).

Ensemble que construye árboles de decisión secuencialmente, donde cada árbol corrige los errores del anterior. XGBoost es la implementación más popular. Generalmente el mejor algoritmo para datos tabulares en competencias de ML.

Proceso de crear nuevas variables (features) a partir de los datos existentes para mejorar el rendimiento del modelo. Es considerado el arte del ML: un buen feature puede mejorar el modelo más que cambiar el algoritmo.

Escalar variables numéricas para que tengan rangos comparables. StandardScaler: media=0, std=1. MinMaxScaler: rango [0,1]. Necesario para algoritmos sensibles a la escala (regresión logística, SVM, redes neuronales, K-Means).

Convertir variables categóricas (texto) a numéricas para que los algoritmos de ML puedan procesarlas. One-Hot Encoding: crea columnas binarias. Label Encoding: asigna números. Target Encoding: usa la media del target.

Técnica para evaluar el rendimiento real del modelo usando múltiples divisiones del dataset. K-Fold CV divide los datos en K partes, entrena en K-1 y evalúa en 1, rotando K veces. Más confiable que una sola división train/test.

Modelo inspirado en el cerebro humano, compuesto de capas de neuronas artificiales. Cada neurona aplica una transformación lineal seguida de una función de activación no lineal. Las redes profundas (Deep Learning) tienen muchas capas ocultas.

Rama de la IA que permite a las computadoras entender y generar texto humano. Incluye análisis de sentimientos, clasificación de texto, traducción automática y chatbots. Transformers como BERT y GPT son el estado del arte.

Secuencia automatizada de pasos de preprocesamiento y modelado encadenados. Garantiza que las mismas transformaciones se apliquen en entrenamiento y producción, evitando data leakage y errores manuales.

Error crítico donde información del conjunto de prueba 'contamina' el entrenamiento, causando métricas artificialmente altas que no se replican en producción. Ocurre al escalar con toda la data o incluir features que no estarían disponibles en producción.