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 un Modelo Discriminativo

Un Modelo Discriminativo es un tipo de modelo estadístico utilizado en aprendizaje automático para clasificar puntos de datos según sus características. A diferencia de los modelos generativos que intentan modelar la distribución de los datos, los modelos discriminativos se centran en aprender el límite entre diferentes clases.

Uno de los ejemplos más comunes de modelos discriminativos es la regresión logística, que se utiliza especialmente para tareas de clasificación binaria. Otros ejemplos incluyen Máquinas de Vectores de Soporte (SVM), árboles de decisión y redes neuronales en aprendizaje profundo. Estos modelos se utilizan ampliamente en diversos campos, como el reconocimiento de imágenes, la clasificación de textos y la bioinformática.

Las principales ventajas de los modelos discriminativos incluyen su eficiencia y precisión. Generalmente, tienen un mejor rendimiento en términos de precisión de clasificación que los modelos generativos, ya que se centran en aprender el límite de decisión. Sin embargo, los modelos discriminativos pueden ser sensibles al ruido en los datos de entrenamiento, especialmente en casos de conjuntos de datos desbalanceados. Además, pueden tener dificultades para capturar las características de distribución subyacentes de los datos.

A medida que el aprendizaje automático continúa evolucionando, las aplicaciones de los modelos discriminativos están en expansión. En el futuro, los modelos discriminativos combinados con técnicas de aprendizaje profundo pueden sobresalir en tareas complejas.