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 el Aprendizaje en Línea

El Aprendizaje en Línea se refiere al proceso educativo y de aprendizaje que se lleva a cabo a través de internet. En los últimos años, con el rápido avance de la tecnología y la amplia disponibilidad de internet, el aprendizaje en línea se ha convertido en una forma educativa significativa.

El origen del aprendizaje en línea se remonta a la década de 1990, cuando las instituciones educativas comenzaron a explorar la posibilidad de cursos en línea con el surgimiento de la web. Hoy en día, el aprendizaje en línea se aplica no solo a la educación superior, sino también a la formación profesional y a la educación continua. Según las estadísticas, el tamaño del mercado de aprendizaje en línea sigue creciendo y se espera que se expanda en los próximos años.

La operación principal del aprendizaje en línea generalmente incluye cursos en video, discusiones en línea, envío de tareas e interacciones en tiempo real. Muchas plataformas ofrecen materiales de autoaprendizaje y pruebas en línea para ayudar a los estudiantes a dominar el conocimiento. En escenarios típicos, los estudiantes pueden acceder al contenido del curso en cualquier momento y lugar, participar en discusiones en línea e incluso interactuar con colegas de todo el mundo.

Sin embargo, el aprendizaje en línea también tiene sus ventajas y desventajas. Las ventajas incluyen flexibilidad, conveniencia y diversidad de recursos; mientras que las desventajas pueden implicar la falta de interacción cara a cara, la motivación insuficiente para aprender y problemas técnicos. Además, las tendencias futuras del aprendizaje en línea pueden incluir experiencias de aprendizaje más personalizadas, la aplicación de inteligencia artificial y la introducción de tecnologías de realidad virtual. Los estudiantes deben prestar atención a la calidad de los cursos, la credibilidad de las plataformas y sus propios hábitos de aprendizaje al elegir el aprendizaje en línea.