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 Preentrenamiento?

El preentrenamiento se refiere al proceso inicial de entrenamiento en el aprendizaje automático y el aprendizaje profundo, especialmente en el procesamiento del lenguaje natural (NLP) y la visión por computadora. Este proceso está diseñado para permitir que los modelos aprendan características y patrones generales antes de ajustarse a tareas específicas.

Durante la fase de preentrenamiento, los modelos suelen entrenarse en grandes conjuntos de datos no etiquetados. Esto les permite capturar estructuras fundamentales, gramática e información semántica en los datos. Por ejemplo, los modelos de lenguaje preentrenados, como BERT y GPT, aprenden relaciones e información contextual entre palabras al observar grandes cantidades de texto.

Una ventaja importante del preentrenamiento es su capacidad para mejorar significativamente el rendimiento del modelo en tareas específicas, especialmente cuando las muestras son escasas. Al preentrenar en conjuntos de datos más amplios, los modelos pueden converger más rápidamente durante el ajuste fino, lo que ahorra tiempo y recursos computacionales. Sin embargo, el preentrenamiento también tiene desventajas, como la alta demanda de recursos computacionales y el potencial de introducir sesgos e imprecisiones.

En el futuro, con los avances tecnológicos, los métodos de preentrenamiento pueden volverse más flexibles y eficientes, integrando enfoques emergentes como el aprendizaje auto-supervisado y el aprendizaje por transferencia para mejorar aún más la efectividad y aplicabilidad del modelo.