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

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.

Es el campo general que busca desarrollar sistemas que imiten funciones cognitivas del cerebro humano como razonar, aprender o tomar decisiones.

Este tipo de inteligencia artificial se orienta a la exploración, análisis y comprensión profunda de enormes volúmenes de datos. Su objetivo principal es descubrir patrones, relaciones ocultas y estructuras en los datos que permitan interpretar qué está ocurriendo en un entorno determinado.