Los algoritmos de entrenamiento son una clase de algoritmos utilizados en el aprendizaje automático (machine learning) para ajustar los parámetros de un modelo de aprendizaje automático a partir de un conjunto de datos de entrenamiento. El objetivo es que el modelo pueda generalizar y hacer predicciones precisas sobre nuevos datos que no se han visto antes.

Los algoritmos de entrenamiento pueden ser supervisados, no supervisados o de refuerzo. Los algoritmos de entrenamiento supervisados utilizan un conjunto de datos etiquetados para aprender a mapear características a etiquetas conocidas. Los algoritmos de entrenamiento no supervisados se utilizan para aprender patrones en un conjunto de datos no etiquetados. Por último, los algoritmos de entrenamiento de refuerzo se utilizan para aprender a tomar decisiones en función de la retroalimentación que reciben del entorno.

Ejemplos de algoritmos de entrenamiento incluyen el descenso de gradiente estocástico (SGD), el algoritmo de retropropagación (backpropagation) y el algoritmo de agrupamiento k-means. El descenso de gradiente estocástico es uno de los algoritmos más utilizados en el aprendizaje automático para ajustar los parámetros de un modelo de aprendizaje automático. El algoritmo de retropropagación se utiliza para entrenar redes neuronales artificiales. El algoritmo de agrupamiento k-means se utiliza para agrupar datos en diferentes grupos.