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 Boosting

Boosting es una técnica de conjunto de aprendizaje automático que tiene como objetivo mejorar la precisión de los modelos predictivos. Combina múltiples aprendices débiles, típicamente árboles de decisión, en un único aprendiz fuerte para aumentar el rendimiento predictivo. Este método es particularmente eficaz para conjuntos de datos desbalanceados, ya que enfatiza el aprendizaje a partir de muestras mal clasificadas.

El funcionamiento del boosting implica un proceso iterativo en el que el algoritmo se centra en los puntos de datos que el modelo anterior clasificó incorrectamente. De esta forma, el boosting puede reducir efectivamente el sesgo y la varianza, mejorando el rendimiento general del modelo. Los algoritmos de boosting más populares incluyen AdaBoost, Gradient Boosting y XGBoost.

En marketing, el boosting también puede referirse a estrategias utilizadas para aumentar la visibilidad e influencia de una marca, a menudo a través de publicidad en redes sociales y optimización de motores de búsqueda. Estas estrategias buscan aumentar la interacción y las tasas de conversión de los clientes, impulsando las ventas y el crecimiento empresarial.

De cara al futuro, los métodos de boosting pueden integrarse cada vez más con tecnologías avanzadas de aprendizaje automático, como el aprendizaje profundo, para crear modelos más complejos y potentes. Sin embargo, es importante tener en cuenta que, aunque las técnicas de boosting ofrecen numerosas ventajas, también pueden llevar al sobreajuste, especialmente al tratar con datos ruidosos.