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 una Red Neuronal

Una red neuronal es un modelo computacional inspirado en la forma en que las redes neuronales biológicas procesan información. Consiste en grupos interconectados de neuronas artificiales que trabajan juntas para analizar varios tipos de datos.

La estructura fundamental de una red neuronal incluye una capa de entrada, una o más capas ocultas y una capa de salida. Cada neurona en estas capas recibe entradas de la capa anterior, las procesa y pasa su salida a la siguiente capa. Esta arquitectura permite que las redes neuronales aprendan patrones y relaciones complejas en los datos.

Las redes neuronales se utilizan ampliamente en aplicaciones como reconocimiento de imágenes, procesamiento del lenguaje natural y conducción autónoma. Han revolucionado estos campos al permitir que las computadoras alcancen un rendimiento a nivel humano en tareas que antes se consideraban demasiado complejas para las máquinas.

Sin embargo, presentan desafíos, como la necesidad de grandes cantidades de datos etiquetados para el entrenamiento y ser computacionalmente intensivas. Además, su proceso de toma de decisiones puede ser opaco, lo que plantea preocupaciones sobre la responsabilidad y el sesgo.

El futuro de las redes neuronales puede incluir algoritmos más eficientes que requieren menos datos, una mayor transparencia en la toma de decisiones y posibles integraciones con tecnologías emergentes como la computación cuántica.