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 Tasa de Aprendizaje?

La tasa de aprendizaje es un hiperparámetro crucial en el aprendizaje automático y el aprendizaje profundo que determina la velocidad del entrenamiento del modelo. Controla cuánto cambiar el modelo en respuesta al error estimado cada vez que se actualizan los pesos del modelo.

Una tasa de aprendizaje bien seleccionada puede acelerar significativamente la convergencia del modelo, mientras que una tasa inadecuada puede llevar a una convergencia lenta o incluso a la divergencia. Por ejemplo, una tasa de aprendizaje alta puede hacer que el proceso de entrenamiento oscile o diverja, mientras que una demasiado baja puede resultar en un entrenamiento excesivamente lento.

La selección de la tasa de aprendizaje generalmente depende de varios factores, incluidos el tamaño del conjunto de datos, la complejidad y la arquitectura del modelo. Se han propuesto varias estrategias de programación de la tasa de aprendizaje, como la disminución de la tasa de aprendizaje y las tasas de aprendizaje adaptativas (como Adam y RMSprop), para optimizar los resultados del entrenamiento.

En la práctica, el establecimiento de la tasa de aprendizaje se realiza normalmente mediante prueba y error, guiado por la experiencia y la validación cruzada. A medida que los algoritmos de optimización continúan evolucionando, el proceso de selección de la tasa de aprendizaje probablemente se automatizará más, mejorando la eficiencia y efectividad del entrenamiento del modelo.