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 la Validación Cruzada

La validación cruzada es un método estadístico utilizado para evaluar el rendimiento y la fiabilidad de los modelos de aprendizaje automático. La idea principal es dividir el conjunto de datos en varios subconjuntos y entrenar y probar el modelo varias veces para evaluar su capacidad de generalización. Esta técnica es particularmente útil para resolver el problema del sobreajuste, asegurando que el modelo desarrollado tenga un rendimiento robusto en datos no vistos.

Una de las formas más comunes de validación cruzada es la Validación Cruzada K-Fold. En este método, el conjunto de datos se divide aleatoriamente en K subconjuntos, donde K-1 subconjuntos se utilizan para entrenamiento y el subconjunto restante se utiliza para prueba. Este proceso se repite K veces, eligiendo un subconjunto diferente como conjunto de prueba cada vez. La evaluación final del rendimiento del modelo se obtiene a través del promedio de los resultados de todas las pruebas K. También existen variantes como la validación cruzada Leave-One-Out.

La ventaja de la validación cruzada radica en su capacidad para utilizar efectivamente los datos, especialmente cuando la cantidad de datos es limitada. Al entrenar y probar varias veces, reduce la aleatoriedad asociada con la partición de datos, aumentando así la fiabilidad de la evaluación del modelo. Sin embargo, la validación cruzada también tiene desventajas, como el alto costo computacional, especialmente en conjuntos de datos grandes y modelos complejos.

En el futuro, la validación cruzada puede integrarse con la selección automática de modelos y la optimización de hiperparámetros para mejorar aún más el rendimiento y la eficiencia de los modelos de aprendizaje automático. Con el aumento del poder computacional y el desarrollo de tecnologías de big data, se espera que la aplicación de la validación cruzada se vuelva aún más amplia.