Objetivo:

Reunir las palabras técnicas importantes

mencionadas/explicadas a lo largo de las clases y describirlas.

Módulo I
Autos autónomos (Self driving cars)
Automóviles que pueden conducirse solos, a sí mismo, en las
calles, sin contar con un conductor que los controle
directamente.
Clasificador de Spam
Clasificador de correo electrónico que analiza el contenido del
correo para decidir si va a la bandeja de entrada o al spam.
Visión por computadora (Computer Vision)
Aplicación de inteligencia artificial, esta disciplina científica
incluye los métodos para adquirir, procesar, analizar y
comprender las imágenes del mundo real para producir
información que puede ser analizada por el computador.

Módulo II
Aprendizaje Automático (Machine Learning)
Sistema o software o programa que entrena un modelo
predictivo según los datos de entrada. Este modelo aprende
con base a los datos proporcionados, y luego de ser entrenado
se lo utiliza para predecir (valores numéricos o categorías) con
datos totalmente nuevos.
Aprendizaje Profundo (Deep Learning)
Modelo de tipo de red neuronal que contiene varias capas
ocultas, este modelo es de tipo no lineal.
Capas Ocultas (Hidden Layers)
Se refiere a las diferentes capas de red neuronal entre la capa
de entrada y la capa de salida.
Ciencias de Datos (Data Science)
Trabajo en el dominio de programación, probabilidad y
estadística y dominio de negocio. Relacionado al trabajo con
datos, para la comprensión y análisis de los mismos.
Ciencias de la Computación
Área de estudio de la construcción de modelos matemáticos y
técnicas de análisis cuantitativos, como el uso de
computadoras para el análisis y resolución de problemas
científicos.
Función de Activación (Activation Function)
Es la función de excitación en una red neuronal, que incorpora
la suma ponderada de todas las entradas de la capa anterior y
genera un valor de resultado (generalmente no lineal) que pasa
a la siguiente capa.
Inteligencia Artificial
Aquella inteligencia exhibida por un software o máquina,
simulando inteligencia humana.
Perceptrón
Se refiere a la unidad básica (neurona artificial ) de inferencia.
Redes Neuronales Artificiales
Modelo de aprendizaje compuesto por diferentes capas que
conectan unidades (o neuronas), todo inspirado en el cerebro
biológico.
Rendimiento (Performance)
Correctitud sobre el modelo, que tan buenas son sus
predicciones.

Módulo III
Kaggle
Comunidad online para científicos de datos y personas que
trabajan con Machine Learning. En esta comunidad
online https://www.kaggle.com/ es posible encontrar set de
datos públicos y participar de las diferentes competiciones
resolviendo problemas con machine learning.
MNIST Database
Set de datos con imágenes de números escritos a mano.
Cuenta con un set de entrenamiento de 60000 ejemplos y un
set de pruebas de 10000.
Revisar los detalles aquí: http://yann.lecun.com/exdb/mnist/
Validación Cruzada (Cross Validation)
Técnica utilizada para evaluar resultados de análisis
estadísticos y garantizar que son independientes de la partición
entre los datos de entrenamiento y prueba.
Set de Datos (Data Set)
Grupo de datos de ejemplos.
Set de Entrenamiento (Training Set)
Grupo de datos de ejemplos utilizados en la fase de
entrenamiento de los algoritmos.
Set de Pruebas (Testing Set)
Grupo de datos de ejemplos utilizados en la fase de evaluación
del algoritmo ya entrenado.

Módulo IV
Aprendizaje Reforzado (Reinforcement Learning)
Área de Machine Learning que se ocupa del aprendizaje del
agente respecto a sus acciones basado en maximizar sus
probabilidades de recibir premios y minimizar las
probabilidades de recibir penalidades.
Aprendizaje Automático Supervisado (Supervised
Learning)
Entrenamiento de un modelo en base a un set de datos con
sus etiquetas correspondientes. El aprendizaje automático
supervisado es guiado y como su nombre lo dice supervisado,
como cuando un alumno aprende un conjunto de preguntas
con las respuestas correspondientes.
Aprendizaje Automático No Supervisado (No Supervised
Learning)
Entrenamiento de un modelo que va a encontrar patrones en
un conjunto de datos que no cuentan con etiqueta. Es más que
todo utilizado para agrupamiento de datos.
Clasificación (Model Classification)
Tipo de modelo en machine learning para distinguir entre dos o
más clases discretas.
Clustering (Agrupamiento de Clusters)
Agrupación de valores relacionados, utilizado en el aprendizaje
no supervisado.
Datos categóricos (Categorical Data)
También llamados atributos discretos.
Datos numéricos (Numerical Data)
Atributos de números enteros o de valores reales
Framework
Entorno de trabajo que cuenta con módulos de software
concretos que pueden servir de base para el desarrollo de
software.
Librería
Conjunto de implementaciones funcionales para ser
directamente utilizadas en un lenguaje de programación.
Ordenada al origen
Una intersección o un desplazamiento del origen.
Regresión (modelo de regresión)
Un modelo que da como resultado valores continuos.
Segmentación de mercado
Dividir el mercado en secciones más pequeñas dependiendo a
la oferta y/o necesidades.

Módulo V
Área bajo la curva
En la evaluación es la métrica que considera todos los
umbrales de clasificación posibles
Evaluación
Evaluar un modelo entrenado en Machine Learning para
analizar el rendimiento del algoritmo.
Exactitud (Accuracy)
Las predicciones correctas entre el número total de ejemplos
Falso Negativo
Valor clasificado como de clase negativa, lo cual es incorrecto.
Falso Positivo
Valor clasificado como de clase positiva, lo cual es incorrecto.
Matriz de Confusión
Herramienta que permite visualizar el desempeño de un
algoritmo entrenado con machine learning supervisado.
Precisión
Métrica para los modelos de clasificación, cuyos valores
pueden ser extraídos de la matriz de confusión.
Recuperación (Recall)
También conocido como “anotador”. Es el valor que indica de
todas las etiquetas positivas posibles la cantidad que fue
etiquetada correctamente.
Error Cuadrático Medio (MSE, mean squared error)
Promedio de la pérdida al cuadrado de cada ejemplo.
Sobreajuste (Overfitting)
Cuando el modelo de Machine Learning no puede generalizar
porque está sobre entrenado y no puede reconocer un nuevo
ejemplo.
Underfitting
Cuando el modelo de Machine Learning no puede generalizar
el conocimiento, debido a las pocas muestras con las que
aprende.
Verdadero Negativo
Valor predecido como clase negativa, lo cual es correcto.
Verdadero Positivo
Valor predecido como clase positiva, lo cual es correcto.

Módulo VI
Algebra Lineal
También denominadas las matemáticas del siglo XXI. Estudia
conceptos como vectores, matrices, sistemas de ecuaciones
lineales, espacios vectoriales y sus transformaciones, entre
otros. Conceptos relevantes para el trabajo con machine
learning.
Descenso de Gradientes (Gradient Descent)
Técnica para minimizar la pérdida mediante cálculo de
gradientes de pérdida con respecto a los parámetros del
modelo, condicionados con los datos de entrenamiento.
Verosimilitud (Likelihood)
Función de los parámetros de un modelo estadístico que
permite realizar inferencias acerca de su valor a partir de un
conjunto de observaciones.