温馨提示：本站仅提供公开网络链接索引服务，不存储、不篡改任何第三方内容，所有内容版权归原作者所有
AI智能索引来源：http://www.ibm.com/mx-es/think/topics/machine-learning-algorithms
点击访问原文链接

¿Qué son los algoritmos de machine learning? | IBM

进入原网站 导航首页
Le damos la bienvenidaDescripción generalTipos de machine learningAlgoritmos de machine learningMachine learning estadísticoÁlgebra lineal para machine learningCuantificación de la incertidumbreCompensación entre sesgo y varianzaDescripción generalSelección de característicasExtracción de característicasIncrustación de vectoresEspacio latenteAnálisis de componentes principalesAnálisis discriminante linealSobremuestreoReducción de ejemplificaciónDatos sintéticosFiltración de informaciónDescripción generalRegresión linealRegresión lassoRegresión de crestaModelo de espacio de estadosSeries temporalesModelo autorregresivoDescripción generalÁrboles de decisiónK-vecinos más cercanos (KNN)Naive bayesBosque aleatorioMáquina de vectores de soporteRegresión logísticaDescripción generalBoostingBaggingGradient boostingClasificador de gradient boostingDescripción generalAprendizaje por transferenciaDescripción generalDescripción generalAgrupación en clústeres de K-meansAgrupación en clústeres jerárquicoAlgoritmo a prioriModelo de mezcla gaussianaDetección de anomalíasDescripción generalFiltrado colaborativoFiltrado basado en el contenidoDescripción generalFeedback humano de aprendizaje por refuerzoDescripción generalDescripción generalRetropropagaciónModelos de codificador-decodificadorRedes neuronales recurrentesRedes neuronales convolucionalesDescripción generalMecanismo de atenciónAtención agrupada a las consultasCodificación posicionalAutocodificadorModelo MambaRedes neuronales gráficasDescripción generalModelo generativoIA generativa frente a IA predictivaDescripción generalModelos de razonamientoModelos de lenguaje pequeñoAfinación de instruccionesParámetros de LLMTemperatura de LLMPuntos de referencia de LLMPersonalización de LLMModelos de difusiónAutocodificador variacional (VAE)Redes generativas adversativas (GAN)Descripción generalModelos de lenguaje de visiónTutorial: Crear un estilista de IATutorial: Consultas multimodales de IA con LlamaTutorial: Consultas multimodales de IA con PixtralTutorial: Transcripción automática de podcasts con GraniteTutorial: Sistema de respuesta de análisis de imágenes PPT IADescripción generalGraphRAGTutorial: Crear aun sistema RAG multimodal con Docling y GraniteTutorial: Evaluar el pipeline RAG con RagasTutorial: Estrategias de fragmentación de RAGTutorial: Graficar RAG mediante grafos de conocimientoTutorial: Escalado de inferencias para mejorar el RAG multimodalDescripción generalProgramación de VibeVisite la Guía para agentes de IA 2025Descripción generalFunción de pérdidaDatos de formaciónParámetros del modeloGradiente descendenteDescenso de gradiente estocásticoAjuste de hiperparámetrosTasa de aprendizajeDescripción generalRefinamiento eficiente de parámetros (PEFT)LoRATutorial: Ajuste del modelo Granite con LoRARegularizaciónModelos fundacionalesSobreajusteSubajusteAprendizaje few shotAprendizaje zero shotDestilación de conocimientosMetaaprendizajeAumento de datosOlvido catastróficoDescripción generalScikit-learnXGBoostPytorchDescripción generalCiclo de vida de la IAInferencia de IADespliegue de modelosPipeline de machine learningEtiquetado de datosGestión de riesgos de los modelosDesviación del modeloAutoMLSelección de modeloAprendizaje federadoMachine learning distribuidoPila de IADescripción generalNatural Language UnderstandingDescripción generalAnálisis de sentimientoTraducción automáticaDescripción generalRecuperación de informaciónExtracción de informaciónModelado de temasAnálisis semántico latenteAsignación latente de DirichletReconocimiento de entidades nombradasIncorporaciones de palabrasBag of wordsBúsqueda inteligenteReconocimiento de vozStemming y lematizaciónResumen de textoIA conversacionalAnalytics conversacionalGeneración de lenguaje naturalDescripción generalClasificación de imágenesDetección de objetosSegmentación de instanciasSegmentación semánticaReconocimiento óptico de caracteresReconocimiento de imágenesInspección visualDave Bergmanninteligencia artificialmachine learningciencia de datosregresión linealpseudocódigomodelo de IAentrenar un modelo de machine learninglos parámetros del modelosobreajusteConsulteaprendizaje supervisadoverdad fundamentalLos algoritmos de aprendizaje no supervisadoaprendizaje por refuerzo (RL)el aprendizaje semisupervisadoEl aprendizaje autosupervisadomodelos de lenguaje grandes (LLM)preentrenamiento")ajustanVea todos los episodios de Mixture of Expertsparámetros del modelofunción de pérdidaLa clasificaciónLa regresión linealárbol de decisiónLos modelos de espacio de estados (SSM)procesamiento de lenguaje natural (PLN).Naïve Bayesoperan con la lógica del teorema de BayesLa regresión logísticafunción sigmoideaLos algoritmos de vecino más cercano (KNN)espacio de incorporación vectorialLas máquinas de vectores de soporte (SVM)aprendizaje semisupervisadoaprendizaje autosupervisadoautocodificadoresmodelos de lenguaje grandes (LLM)visión artificial:IA multimodalmachine learning no supervisadoajuste manual de hiperparámetrosalgoritmos de agrupación en clústeresdetección de anomalíasLos algoritmos de agrupación en clústeres de K-meansalgoritmo a priorireducción de dimensionalidadespacio latente deEl análisis de componentes principales (PCA)Los autocodificadoresaprendizaje por conjuntosaprendizaje por refuerzomodelos de razonamientoaprendizaje por refuerzo a partir de feedback humano (RLHF)aprendizaje de conjuntosLos algoritmos de boostingXGBoostbiblioteca de machine learningLos algoritmos de baggingalgoritmo de bosquedestilación del conocimientoEl aprendizaje profundomachine learningredes neuronalesIA generativainteligencia artificialingeniería de característicasmachine learningel aprendizaje profundolas máquinas de Boltzmann restringidasentrenamiento de modelossegmentación de imágenesprogresivasEbook Ciencia de datos y MLOps para líderes de datos Una fuerzas con otros líderes para impulsar los tres pilares esenciales de MLOps y la IA confiable: confianza en los datos, confianza en los modelos y confianza en los procesos. Lea el ebookCapacitación Amplíe sus conocimientos de aprendizaje automático (ML) Aprenda los conceptos fundamentales y construya sus habilidades con laboratorios prácticos, cursos, proyectos guiados, ensayos y mucho más. Explorar cursos de aprendizaje automático (ML)Ebook Desbloquee el poder de la IA generativa + ML Aprenda a incorporar con confianza la IA generativa y el aprendizaje automático en su negocio. Lea el ebookPodcast Techsplainers Explicación del machine learning Techsplainers de IBM desglosa los fundamentos del machine learning, desde conceptos clave hasta casos de uso del mundo real. Los episodios claros y rápidos le ayudan a aprender los fundamentos rápidamente. Escuche ahoraGuía Ponga la IA a trabajar: Impulso del retorno de la inversión (ROI) con IA generativa ¿Quiere rentabilizar mejor sus inversiones en IA? Descubra cómo la IA generativa escalable en áreas clave impulsa el cambio ayudando a sus mejores mentes a crear y ofrecer nuevas soluciones innovadoras. Lea la guíaEbook Cómo elegir el modelo fundacional adecuado Aprenda a seleccionar el modelo fundacional de IA más adecuado para su caso de uso. Lea el ebookmodelos de IA Explorar IBM Granite IBM Granite es nuestra familia de modelos de IA abiertos, de alto rendimiento y confiables, diseñados para empresas y optimizados para escalar sus aplicaciones de IA. Explore opciones de lenguaje, código, series de tiempo y medidas de protección. Conozca GraniteGuía Cómo prosperar en esta nueva era de la IA con confianza y seguridad Indague en los 3 elementos críticos de una estrategia sólida de IA: crear una ventaja competitiva, escalar la IA en todo el negocio y avanzar en la IA confiable. Lea la guíaDescubra watsonx.aiExplore las soluciones de IAConozca los servicios de IAExplore watsonx.aiReserve una demostración en vivo“Energy-Based Self-Supervised Learning,”“CHARM: An Efficient Algorithm for Closed Itemset Mining,”“Online Association Rule Mining,”“Semi-Supervised Learning with Ladder Networks,”“Kolmogorov’s Mapping Neural Network Existence Theorem,”“Multilayer Feedforward Networks with a Non-Polynomial Activation Function Can Approximate Any Function,”

智能索引记录