Aqui te presentamos los diferentes tipos de modelos de datos que puedes implementar en algoritmos de aprendizaje computarizados. Estos modelos los describimos de manera breve para que conozcan de manera general las opciones que existen en la ciencia de datos.

• Paramétrico: haga suposiciones para obtener un modelo de una figura o forma específica y parámetros que se ajustarán a una función, por ejemplo, un modelo lineal.
• No paramétrico. No hay suposiciones sobre la función.
• Supervisado: ajusta el modelo con variables de entrada basadas en un resultado conocido o variables de salida
• Sin supervisión.- No se conocen asociaciones o variables de salida, por lo que los modelos intentan encontrar relaciones observando los conjuntos de datos.
• Blackbox.- Aprendizaje profundo, redes neuronales. Las cosas no están claras bajo las capuchas
• Descriptivo. Modelo que muestra por qué se toman en cuenta las decisiones, ejemplo: regresión lineal, árbol de decisiones
• Primer principio. Se basa en la creencia de cómo funciona un sistema y lo que incluye en términos de conocimiento (ad-hoc, según se requiera).
• Basado en datos: modelos que muestran correlaciones entre las variables de entrada y salida.
• Los modelos deterministas hacen una sola predicción como resultado sí / no
• Estocástico: este modelo de resultados de las probabilidades del producto sobre posibles eventos
• Plano: no hay subproblemas o subconjuntos de un conjunto de datos, el modelo se obtiene en un problema de nivel único
• Jerárquico: modelar una estructura de subconjunto anidado del conjunto de datos original.