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 Instancia / Muestra

Los términos 'Instancia' y 'Muestra' se utilizan en varios campos, especialmente en informática, estadística y análisis de datos. En informática, una 'instancia' se refiere a un objeto específico creado a partir de una clase, mientras que una 'muestra' representa un subconjunto de datos extraído de un conjunto de datos más grande para su análisis e inferencia.

En aprendizaje automático, una instancia puede considerarse un único punto de datos necesario para el entrenamiento del modelo, mientras que una muestra se refiere a una parte del conjunto de datos seleccionada para el entrenamiento, validación o prueba del modelo. Por ejemplo, cada fila de un conjunto de datos puede verse como una instancia, mientras que filas específicas elegidas del conjunto de datos sirven como muestras para la investigación.

La aplicación de estos conceptos es crucial en la investigación científica y el desarrollo técnico. En estadística, los investigadores necesitan muestrear de una población para inferir características, lo que hace vital la representatividad de las muestras. En programación, el proceso de instanciar objetos es esencial para entender la programación orientada a objetos.

Con el rápido desarrollo de la ciencia de datos y el aprendizaje automático, comprender los conceptos de instancias y muestras es cada vez más importante. En el futuro, a medida que la tecnología de inteligencia artificial continúe avanzando, la forma en que se utilizan instancias y muestras afectará directamente el rendimiento del modelo y la eficacia de la investigación.