Glossary

0-9

6DoF pose estimation 4D data 5G + AI 1-shot learning 0-shot learning 3D convolution 8-bit quantization 7D representation 2-stage detector 9-layer network

A

Artificial Intelligence (AI)AGI / Artificial General Intelligence Autoencoder Attention Algorithm

B

Backpropagation BERT Bias Boosting Batch Normalization

C

Classifier / Classification CNN / Convolutional Neural Network Clustering Cross-Validation Chatbot

D

Data Augmentation Deep Learning Deepfake Deterministic Model Discriminative Model

E

Ensemble Learning Encoder Embedding Epoch Explainable AI (XAI)

F

Fine-tuning Fusion / Multimodal Fusion Feature Extraction Forward Propagation Foundation Model

G

GAN / Generative Adversarial Network Gradient Descent Grounding Generative AI Graph Neural Network (GNN)

H

Hierarchical Model Heuristic Hallucination Hidden Layer Hyperparameter

I

Instance / Sample Instruction tuning Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

Juxtaposition Jittering JAX Joint Embedding JSONL / JSON-lines

K

K-Shot Learning Kernel Trick K-means Clustering Knowledge Distillation KL Divergence (Kullback–Leibler Divergence)

L

Learning Rate Large Language Model (LLM)Loss Function Latent Variable LSTM / Long Short-Term Memory

M

Machine Learning (ML)Meta-learning Model Multi-head Attention Multimodal / Multimodality

N

NLP / Natural Language Processing Novelty Detection / Anomaly Detection NLU / Natural Language Understanding Normalization Neural Network

O

Online Learning Objective Function One-hot Encoding Overfitting Optimizer

P

Pretraining Pooling Parameter Policy / Reinforcement Learning Policy Prompt

Q

Q-learning Queue / Buffer Quantization Quality Estimation Query

R

Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Representation Learning Regularization RNN / Recurrent Neural Network

S

Self-Supervised Learning Supervised Learning Sequence Modeling Sampling Softmax

T

Tuning / Hyperparameter Tuning Tokenizer Training Data Transfer Learning Transformer

U

Unsupervised Learning Universal Approximation Theorem Underfitting Uncertainty Estimation U-Net

V

Vector Embedding Variational Autoencoder (VAE)Validation Set Vision Transformer (ViT)Vanishing / Exploding Gradient

W

Weight Decay Weak Supervision Whitening / Whitening Transformation Word Embedding Workflow

X

XOR problem XAI / Explainable AI X-axis / feature axis XLM XLNet

Y

Y-axis / feature axis Yield (model yield / throughput)YAGNI (You Aren't Gonna Need It)Y-transform / YUV Yoga of AI

Z

Zero-shot Learning / Zero-shot inference Zero-centric / Zero-bias initialization Z-score Normalization Zero-gradient phenomenon Zygosity in augmentation

Qué es el Descenso del Gradiente

El Descenso del Gradiente es un algoritmo de optimización ampliamente utilizado en aprendizaje automático y estadística. Su principal objetivo es minimizar una función de manera iterativa, como una función de costo o de pérdida.

La idea central del Descenso del Gradiente es calcular el gradiente de la función en un punto dado, lo que indica la dirección de descenso más pronunciada. Actualizando los parámetros en esta dirección, el algoritmo se aproxima gradualmente a la solución óptima.

En escenarios típicos, el Descenso del Gradiente se emplea en diversas aplicaciones, incluyendo aprendizaje profundo, regresión lineal y regresión logística. Con el auge de los grandes datos y las capacidades computacionales, se han introducido variantes del Descenso del Gradiente, como el Descenso del Gradiente Estocástico, el Descenso del Gradiente por Mini-Lotes y el Momento, para mejorar la eficiencia y la velocidad de convergencia.

De cara al futuro, es probable que el Descenso del Gradiente siga evolucionando, integrando otras técnicas de optimización para abordar problemas más complejos. Sin embargo, a pesar de su efectividad, tiene algunas desventajas, como la posibilidad de quedar atrapado en mínimos locales y la sensibilidad a la tasa de aprendizaje, por lo que se requieren ajustes y elecciones cuidadosas al aplicar este método.