Glosario IA
El diccionario completo de la Inteligencia Artificial
Aprendizaje de Conjuntos Automatizado
Proceso de automatización de la creación, selección y combinación de múltiples modelos predictivos para optimizar el rendimiento sin intervención humana manual.
Stacking Automatizado
Método en la que un meta-modelo aprende automáticamente a combinar las predicciones de varios modelos de base para mejorar la precisión general.
Blending Automatizado
Técnica de conjunto que combina las predicciones de modelos utilizando un conjunto de validación de reserva (hold-out) para entrenar el modelo de combinación de manera automatizada.
Bagging Automatizado
Bootstrap Aggregating automatizado que crea múltiples modelos sobre subconjuntos de datos bootstrap para reducir la varianza y mejorar la robustez.
Boosting Automatizado
Proceso iterativo automático que construye modelos secuenciales donde cada modelo corrige los errores del anterior para optimizar el rendimiento.
Auto-Stacking
Sistema completamente automatizado que descubre y optimiza la arquitectura de stacking, incluyendo la selección de los modelos de base y del meta-modelo.
Ajuste de Hiperparámetros para Conjuntos
Optimización automática de los hiperparámetros individuales de los modelos y de los parámetros de combinación del conjunto para maximizar el rendimiento.
Selección Automatizada de Modelos
Algoritmo que selecciona automáticamente los mejores candidatos para el conjunto basándose en su rendimiento y diversidad.
Ingeniería de Características para Ensembles
Generación automática de características optimizadas específicamente para mejorar la complementariedad de los modelos en el ensemble.
Validación Cruzada Estratificada
Técnica de validación cruzada que preserva automáticamente la distribución de clases para evaluar de manera fiable el rendimiento de los ensembles.
Clasificador de Votación Automatizado
Sistema que determina automáticamente si el voto duro o blando es óptimo y selecciona los pesos óptimos para cada clasificador.
Maximización de la Diversidad del Ensemble
Algoritmo que optimiza automáticamente la diversidad de errores entre modelos para maximizar la ganancia de rendimiento de la combinación.
Ponderación Automática de Modelos
Proceso que determina automáticamente los pesos óptimos para cada modelo en el ensemble basándose en sus respectivos rendimientos.
Búsqueda de Arquitectura Neuronal para Ensembles
Búsqueda automática de arquitecturas neuronales complementarias optimizadas para funcionar juntas en un ensemble de alto rendimiento.
Optimización Multi-Objetivo de Ensembles
Optimización simultánea automática de múltiples objetivos como precisión, tiempo de inferencia y complejidad para el ensemble final.
Poda Automática de Ensembles
Eliminación automática de modelos redundantes o de bajo rendimiento del ensemble para optimizar la relación rendimiento/complejidad.
Selección de Conjunto Dinámico
Selección automática en tiempo real de los subconjuntos de modelos más competentes para cada nueva instancia a predecir.
Aprendizaje de Conjunto Heterogéneo
Combinación automática de modelos de diferentes tipos (árboles, redes, SVM) para aprovechar sus fortalezas complementarias.
Aprendizaje de Conjunto en Cascada
Arquitectura en cascada donde los modelos simples se utilizan primero y los modelos complejos solo si es necesario, optimizada automáticamente.