Se basan en los principios de la biología evolutiva y su nombre se debe a que, como ella, utilizan mecanismos como la selección natural, la mutación y el cruce genético para desarrollar soluciones a lo largo de generaciones.

Los árboles de decisión son modelos predictivos que organizan las decisiones en una estructura jerárquica en forma de árbol. A través de divisiones sucesivas en los datos, basadas en condiciones lógicas sobre las variables, el algoritmo va construyendo ramas que conducen a resultados o predicciones finales.

Son los atributos o columnas de los datos que el modelo utiliza para aprender. Pueden ser numéricas, categóricas o derivadas, y su calidad influye directamente en el rendimiento del modelo. Es tan importante que la selección sea correcta como su transformación.

Es un subcampo del machine learning que utiliza redes neuronales profundas compuestas por múltiples capas de procesamiento. Gracias a estas capas, el modelo es capaz de aprender representaciones jerárquicas y altamente complejas de los datos.

Es la fase en la que el modelo ajusta sus parámetros internos aprendiendo de un conjunto de datos conocidos (con sus etiquetas si es supervisado). El objetivo del entrenamiento es minimizar el error a la hora de predecir los resultados correctos.

Es el proceso mediante el cual se mide cómo de bien funciona un modelo con datos que no se utilizaron durante el entrenamiento. Permite comprobar si el modelo ha aprendido patrones generales o simplemente ha memorizado los ejemplos que le hemos ido proporcionando.

Son un conjunto de técnicas para seleccionar, transformar o crear variables (features) a partir de los datos originales y con ellas mejorar el rendimiento del modelo. Incluye tareas como normalización, codificación de variables categóricas, combinación de atributos o extracción de información relevante. Se considera una de las etapas más importantes en cualquier proceso de machine learning.

Es la capacidad de un modelo para aplicar lo aprendido durante el entrenamiento a nuevos datos que el modelo no ha visto antes.

La inteligencia artificial híbrida combina los enfoques simbólicos (basados en reglas y conocimiento estructurado) con enfoques conexionistas (como las redes neuronales), con el objetivo de superar las limitaciones que tienen cada uno por separado.

También conocida como IA basada en reglas, la inteligencia artificial simbólica utiliza símbolos, estructuras lógicas y lenguajes formales (como lógica proposicional o lógica de predicados) para representar el conocimiento y razonar de forma explícita.