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 Extracción de Características

La extracción de características es una técnica crucial de preprocesamiento de datos utilizada en el aprendizaje automático y la minería de datos. Su objetivo principal es extraer características importantes de datos en bruto para mejorar el rendimiento y la precisión de los modelos.

Este proceso generalmente implica varios métodos y técnicas, como el Análisis de Componentes Principales (PCA), el Análisis Discriminante Lineal (LDA) y las Redes Neuronales Convolucionales (CNN). Estos métodos ayudan a reducir la dimensionalidad de los datos mientras mantienen la información más crítica, haciendo que los análisis posteriores sean más eficientes.

En aplicaciones prácticas, la extracción de características se utiliza ampliamente en el reconocimiento de imágenes, la clasificación de texto y el reconocimiento de audio. Por ejemplo, en el reconocimiento de imágenes, las técnicas de extracción de características pueden identificar y clasificar de manera efectiva diferentes contenidos de imágenes. A medida que la inteligencia artificial continúa evolucionando, los métodos y tecnologías de extracción de características también avanzarán para adaptarse a datos y escenarios de aplicación más complejos.

Sin embargo, la extracción de características también tiene sus limitaciones. Por ejemplo, elegir características inadecuadas puede llevar a una disminución en el rendimiento del modelo, y algunos métodos pueden requerir recursos computacionales significativos. Por lo tanto, seleccionar los métodos y características de extracción adecuados es un problema crítico.