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 Detección de Novedades / Detección de Anomalías

La Detección de Novedades y la Detección de Anomalías son técnicas de aprendizaje automático utilizadas para identificar puntos de datos que se desvían significativamente de los patrones esperados. Desempeñan un papel crucial en diversas aplicaciones, como la detección de fraudes financieros, la seguridad de redes, el diagnóstico médico y el monitoreo industrial.

Técnicamente, la Detección de Novedades se refiere a la detección de nuevas muestras no etiquetadas en el contexto de datos normales conocidos, mientras que la Detección de Anomalías se centra en identificar puntos de datos anómalos que se desvían de los patrones de comportamiento normal. La principal diferencia radica en que la Detección de Novedades trata con datos normales no vistos, mientras que la Detección de Anomalías se basa en datos etiquetados.

El impacto de estas técnicas es profundo, ya que permiten a las organizaciones monitorear y responder a riesgos y problemas potenciales en tiempo real, reduciendo así pérdidas y aumentando la eficiencia. Con el aumento del volumen de datos, la importancia de la Detección de Novedades y la Detección de Anomalías está creciendo y podrían integrarse aún más con tecnologías de aprendizaje profundo y big data para mejorar la precisión y eficiencia de la detección.

Sin embargo, estas técnicas también enfrentan desafíos en la práctica. Definir qué constituye 'normal' en entornos de datos complejos y detectar de manera efectiva en datos de alta dimensión son áreas que requieren investigación adicional. Además, el entrenamiento y la validación de modelos requieren una cantidad sustancial de datos etiquetados, que pueden no estar fácilmente disponibles en algunos dominios.