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 JSONL / JSON-lines

JSONL, o JSON Lines, es un formato para almacenar datos estructurados donde cada registro es una línea separada en formato JSON. Este formato es ventajoso para manejar grandes conjuntos de datos, permitiendo procesamiento en flujo y lectura línea por línea. JSONL se utiliza ampliamente en procesamiento de big data, registro de logs y aprendizaje automático.

El diseño de JSONL tiene como objetivo proporcionar una manera simple y eficiente de manejar datos JSON. A diferencia de los archivos JSON tradicionales, cada línea en un archivo JSONL es un objeto JSON completo, lo que hace que la lectura incremental de datos sea simple. Los usuarios pueden leer y analizar datos línea por línea sin necesidad de cargar todo el archivo en la memoria, lo que es particularmente importante para conjuntos de datos grandes.

En aplicaciones prácticas, el formato JSONL se utiliza comúnmente para el intercambio y almacenamiento de datos, como cuando los datos se transfieren de un sistema a otro en tuberías de datos. La naturaleza línea por línea de JSONL ayuda a garantizar la integridad y consistencia de los datos. Además, muchas herramientas y marcos modernos de procesamiento de datos (como Apache Kafka, Spark, etc.) admiten el formato JSONL, convirtiéndolo en una herramienta importante para científicos de datos e ingenieros.

En el futuro, a medida que la cantidad de datos siga creciendo, el formato JSONL puede volverse cada vez más prevalente en el almacenamiento y procesamiento de datos, especialmente en escenarios que requieren transferencia y procesamiento eficientes de datos. Sin embargo, el uso de JSONL también presenta algunas consideraciones, como la relativa complejidad del análisis de estructuras anidadas complejas. Además, los archivos JSONL no tienen un mecanismo estándar de descripción de metadatos, lo que puede afectar la interpretabilidad de los datos.