TopAIToolsTopAITools

Glossary

0-9
6DoF pose estimation4D data5G + AI1-shot learning0-shot learning3D convolution8-bit quantization7D representation2-stage detector9-layer network
A
Artificial Intelligence (AI)AGI / Artificial General IntelligenceAutoencoderAttentionAlgorithm
B
BackpropagationBERTBiasBoostingBatch Normalization
C
Classifier / ClassificationCNN / Convolutional Neural NetworkClusteringCross-ValidationChatbot
D
Data AugmentationDeep LearningDeepfakeDeterministic ModelDiscriminative Model
E
Ensemble LearningEncoderEmbeddingEpochExplainable AI (XAI)
F
Fine-tuningFusion / Multimodal FusionFeature ExtractionForward PropagationFoundation Model
G
GAN / Generative Adversarial NetworkGradient DescentGroundingGenerative AIGraph Neural Network (GNN)
H
Hierarchical ModelHeuristicHallucinationHidden LayerHyperparameter
I
Instance / SampleInstruction tuningIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JuxtapositionJitteringJAXJoint EmbeddingJSONL / JSON-lines
K
K-Shot LearningKernel TrickK-means ClusteringKnowledge DistillationKL Divergence (Kullback–Leibler Divergence)
L
Learning RateLarge Language Model (LLM)Loss FunctionLatent VariableLSTM / Long Short-Term Memory
M
Machine Learning (ML)Meta-learningModelMulti-head AttentionMultimodal / Multimodality
N
NLP / Natural Language ProcessingNovelty Detection / Anomaly DetectionNLU / Natural Language UnderstandingNormalizationNeural Network
O
Online LearningObjective FunctionOne-hot EncodingOverfittingOptimizer
P
PretrainingPoolingParameterPolicy / Reinforcement Learning PolicyPrompt
Q
Q-learningQueue / BufferQuantizationQuality EstimationQuery
R
Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Representation LearningRegularizationRNN / Recurrent Neural Network
S
Self-Supervised LearningSupervised LearningSequence ModelingSamplingSoftmax
T
Tuning / Hyperparameter TuningTokenizerTraining DataTransfer LearningTransformer
U
Unsupervised LearningUniversal Approximation TheoremUnderfittingUncertainty EstimationU-Net
V
Vector EmbeddingVariational Autoencoder (VAE)Validation SetVision Transformer (ViT)Vanishing / Exploding Gradient
W
Weight DecayWeak SupervisionWhitening / Whitening TransformationWord EmbeddingWorkflow
X
XOR problemXAI / Explainable AIX-axis / feature axisXLMXLNet
Y
Y-axis / feature axisYield (model yield / throughput)YAGNI (You Aren't Gonna Need It)Y-transform / YUVYoga of AI
Z
Zero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZ-score NormalizationZero-gradient phenomenonZygosity in augmentation

Qué es CNN / Red Neuronal Convolucional

Las Redes Neuronales Convolucionales (CNN) son una categoría de modelos de aprendizaje profundo que son particularmente efectivos para el reconocimiento y procesamiento de imágenes. La idea fundamental es imitar el funcionamiento del sistema visual humano, extrayendo progresivamente características de la imagen a través de múltiples capas convolucionales. Las CNN fueron introducidas por primera vez por Yann LeCun en la década de 1980 y ganaron atención significativa después de su éxito en la competencia ImageNet en 2012, lo que impulsó enormemente la investigación y aplicación de aprendizaje profundo.


Las CNN normalmente consisten en una capa de entrada, varias capas convolucionales, capas de agrupamiento, capas completamente conectadas y una capa de salida. Las capas convolucionales extraen características locales a través de operaciones de convolución, mientras que las capas de agrupamiento reducen la dimensionalidad de las características, disminuyendo la complejidad computacional y preservando información esencial. Después de varias rondas de convolución y agrupamiento, las características finales se mapean a etiquetas de salida a través de las capas completamente conectadas.


Las CNN se aplican ampliamente en tareas de visión por computadora, como clasificación de imágenes, detección de objetos y segmentación de imágenes. Por ejemplo, el modelo Inception de Google y el Mask R-CNN de Facebook son implementaciones exitosas basadas en CNN. Sus aplicaciones también están cada vez más presentes en el análisis de imágenes médicas, conducción autónoma y vigilancia por video.


Con el aumento explosivo de los datos y las mejoras en la capacidad computacional, los campos de aplicación de las CNN seguirán expandiéndose. El desarrollo de nuevas tecnologías, como la computación en el borde, la realidad aumentada y la realidad virtual, también impulsará más innovaciones en las CNN. Además, la combinación de CNN con Redes Generativas Antagónicas (GAN) puede llevar a nuevos avances en modelos generativos.


Aunque las CNN muestran un rendimiento excepcional en el tratamiento de datos de imagen, también tienen ciertas limitaciones, como la necesidad de conjuntos de datos a gran escala y el alto consumo de recursos computacionales. Además, el problema de la interpretabilidad del modelo sigue siendo un tema de investigación importante. Al utilizar CNN, es esencial realizar un preprocesamiento adecuado de los datos para mejorar la precisión del modelo.