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 RNN / Red Neuronal Recurrente

RNN, o Red Neuronal Recurrente, es un tipo de modelo de aprendizaje profundo especialmente adecuado para procesar datos secuenciales como series temporales o lenguaje natural. A diferencia de las redes neuronales tradicionales, donde las entradas y salidas son estáticas, las RNN pueden manejar secuencias dinámicas, ya que tienen una función de 'memoria' que les permite recordar información de entradas anteriores para usarla en salidas posteriores.

Esta capacidad permite que las RNN sobresalgan en campos como el procesamiento de lenguaje natural (NLP), reconocimiento de voz y análisis de video. El núcleo de la RNN radica en su estructura recurrente, que captura dependencias en datos de series temporales al pasar información a través de ciclos.

Sin embargo, las RNN también presentan desventajas, siendo los problemas de gradiente que desaparece y explota los más notables, lo que dificulta el rendimiento en secuencias largas. Para superar estos problemas, los investigadores introdujeron variantes más complejas, como las redes de Memoria a Largo y Corto Plazo (LSTM) y las Unidades Recurrentes con Puertas (GRU), que tienen un mejor rendimiento en muchas tareas.

A medida que el aprendizaje profundo evoluciona rápidamente, las aplicaciones de las RNN continúan expandiéndose, incluyendo traducción automática, análisis de sentimientos y modelos generativos. En el futuro, las RNN y sus variantes seguirán impulsando los avances en inteligencia artificial, especialmente en áreas que requieren el procesamiento de datos secuenciales.