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 son los Datos Desequilibrados

Los datos desequilibrados se refieren a una situación en el aprendizaje automático donde la distribución de clases no es uniforme. Esto a menudo conduce a modelos que funcionan mal en las clases minoritarias. Por ejemplo, en la detección de fraudes, el número de transacciones fraudulentas es mucho menor que el de las legítimas. Este desequilibrio puede sesgar las predicciones del modelo hacia la clase mayoritaria, afectando su eficacia general.

Al tratar con datos desequilibrados, se utilizan comúnmente técnicas como el sobremuestreo de la clase minoritaria o el submuestreo de la clase mayoritaria. Además, el uso de métricas de evaluación específicas, como la puntuación F1 o el AUC, puede ayudar a comprender mejor el rendimiento del modelo en conjuntos de datos desequilibrados. Estos métodos aseguran que el modelo aprenda a identificar efectivamente las clases minoritarias, lo cual es crucial en aplicaciones como el diagnóstico médico o la detección de fraudes.

Con el avance de la ciencia de datos, están surgiendo nuevas estrategias, como las Redes Generativas Antagónicas (GANs), para abordar este problema. Sin embargo, se deben tomar precauciones para evitar el sobreajuste o la pérdida de información valiosa. Elegir el enfoque correcto según el contexto específico es esencial para construir modelos confiables.