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 JAX

JAX es una biblioteca de código abierto desarrollada por Google para cálculos numéricos de alto rendimiento y aprendizaje automático. Su nombre significa 'Just After eXecution', lo que indica su capacidad de optimización en tiempo de ejecución, especialmente en diferenciación automática.

Combinando la facilidad de uso de NumPy con el poder de TensorFlow, JAX permite a los usuarios realizar cálculos eficientes a través de un código Python simple. Una de sus características clave es el soporte para diferenciación automática, lo que facilita el cálculo de gradientes.

JAX utiliza un compilador conocido como XLA (Accelerated Linear Algebra) para convertir las funciones de Python de los usuarios en código de máquina eficiente, acelerando el proceso de cálculo. Esta optimización hace que JAX sobresalga en el manejo de datos a gran escala.

JAX se utiliza ampliamente en aprendizaje automático, cálculo científico y optimización numérica. Muchas investigaciones y aplicaciones de vanguardia han adoptado JAX, especialmente en aprendizaje profundo, aprendizaje por refuerzo y modelos generativos.

En el futuro, JAX puede continuar expandiendo sus capacidades, atrayendo a más desarrolladores e investigadores. Con el desarrollo continuo del aprendizaje automático y la inteligencia artificial, JAX también puede mejorar en rendimiento y usabilidad.

A pesar de sus muchas ventajas, como alto rendimiento y flexibilidad, JAX tiene algunas desventajas. Por ejemplo, la curva de aprendizaje de JAX puede ser pronunciada para los principiantes, especialmente para aquellos que no están familiarizados con NumPy o aprendizaje automático. Además, el ecosistema de JAX aún está en desarrollo en comparación con otros marcos (como TensorFlow o PyTorch), y algunas funciones pueden no estar completamente desarrolladas.