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 One-hot Encoding

One-hot Encoding es un método de representación de características ampliamente utilizado, principalmente para convertir datos categóricos en un formato comprensible por las computadoras. En el aprendizaje automático y la minería de datos, una representación efectiva de los datos es crucial para el éxito de los modelos. La idea básica del One-hot Encoding es transformar cada valor categórico en un vector binario, donde la posición correspondiente a la categoría se marca con 1 y todas las demás posiciones se marcan con 0.

La ventaja de este método radica en su capacidad para eliminar relaciones ordinales entre categorías, permitiendo que los modelos traten cada categoría de forma independiente. Por ejemplo, considere un conjunto de datos que contiene categorías de animales como “gato”, “perro” y “pájaro”. A través del One-hot Encoding, estas categorías pueden representarse como un arreglo tridimensional: [1, 0, 0], [0, 1, 0] y [0, 0, 1]. Esta representación ayuda a mejorar la efectividad del aprendizaje de los modelos, especialmente en escenarios de aprendizaje profundo.

A pesar de que el One-hot Encoding funciona bien en muchos escenarios, también presenta algunas desventajas. Por ejemplo, cuando el número de categorías es grande, puede generar matrices dispersas, aumentando la complejidad computacional y el uso de memoria. Además, el One-hot Encoding no captura las relaciones entre categorías, lo que puede afectar el rendimiento del modelo en algunas situaciones. Para abordar estos problemas, los investigadores han propuesto algunos métodos alternativos, como el Target Encoding y el Word Embedding.

Las tendencias futuras implican combinar el One-hot Encoding con otros métodos de codificación para reducir el consumo de recursos computacionales y la complejidad del modelo, manteniendo la efectividad. En general, el One-hot Encoding es una técnica fundamental en el aprendizaje automático para manejar datos categóricos, y comprender sus principios y escenarios de aplicación es crucial para los científicos de datos.