Saltar al contenido

Época (epoch)

Una pasada completa del modelo sobre todo el conjunto de datos de entrenamiento. El entrenamiento suele requerir varias épocas para que el modelo aprenda bien.

Actualizado: 3 de junio de 2026.

En cada época, el modelo ve todos los ejemplos una vez y ajusta sus pesos. Tras varias épocas, el error suele bajar y estabilizarse.

Demasiadas épocas

Entrenar de más lleva al sobreajuste: el modelo empieza a memorizar. Por eso se vigila el error de validación y se aplica "parada temprana".

Relación con los lotes

Dentro de una época, los datos se procesan en lotes. El número de lotes por época depende del tamaño del conjunto de datos y del lote.

Aprende Época (epoch) con una ruta guiada

Si quieres aplicar este concepto con proyectos y criterio, estas son las páginas de AIClases para continuar.

Términos relacionados

Entrenamiento (de modelos)Proceso por el que un modelo ajusta sus parámetros analizando datos para minimizar sus errores. Es la fase más costosa del ciclo de vida de un modelo de IA y determina lo que el modelo sabe.Lote (batch)Grupo de ejemplos que el modelo procesa a la vez antes de actualizar sus parámetros. El tamaño del lote influye en la velocidad, la memoria y la estabilidad del entrenamiento.Sobreajuste (overfitting)Problema en el que un modelo memoriza los datos de entrenamiento, incluido su ruido, en lugar de aprender patrones generales. El resultado es un modelo que acierta en los ejemplos vistos pero falla con datos nuevos.Tasa de aprendizajeHiperparámetro que controla cuánto ajusta el modelo sus parámetros en cada paso de entrenamiento. Es uno de los valores más influyentes en si un modelo aprende bien o no.Función de pérdidaFórmula que mide cuánto se equivoca un modelo comparando sus predicciones con las respuestas correctas. Entrenar consiste en minimizar esta función ajustando los parámetros.
Ver todos los términos
Help & support