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 Q-learning?

Q-learning es un algoritmo de aprendizaje por refuerzo sin modelo que permite a un agente aprender el valor de las acciones en un estado dado. Opera interactuando con el entorno y aprendiendo una política para maximizar las recompensas acumuladas. La importancia del Q-learning radica en su capacidad para optimizar decisiones sin necesidad de conocimiento del modelo del entorno.

La idea fundamental del Q-learning es utilizar una función Q para evaluar el valor de cada par estado-acción. El algoritmo actualiza los valores Q de manera iterativa en función de las recompensas recibidas del entorno, utilizando generalmente la ecuación de Bellman para las actualizaciones. Este enfoque ha demostrado un rendimiento notable en diversas aplicaciones, incluidas la IA de juegos, la navegación robótica y el control adaptativo.

Una de las ventajas del Q-learning es su simplicidad y facilidad de implementación, así como su capacidad para manejar espacios de estado de alta dimensión. Sin embargo, también presenta desventajas, como una velocidad de convergencia lenta, la necesidad de una extensa exploración y una posible inestabilidad en ciertos escenarios.

De cara al futuro, se espera que la integración del Q-learning con técnicas de aprendizaje profundo (conocidas como Redes Q Profundas o DQN) mejore el rendimiento en entornos más complejos. Por lo tanto, comprender los principios básicos y las aplicaciones del Q-learning es crucial para la investigación y aplicación en el aprendizaje por refuerzo.