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 Supervisado

El Aprendizaje Supervisado es un enfoque de aprendizaje automático donde un modelo se entrena en un conjunto de datos etiquetado. Cada ejemplo de entrenamiento incluye datos de entrada junto con su etiqueta de salida correspondiente. Este método se utiliza ampliamente en tareas de clasificación y regresión, con el objetivo de predecir resultados para datos no vistos al comprender la relación entre entradas y salidas.

En cuanto al contexto, el aprendizaje supervisado es una rama crucial del aprendizaje automático, especialmente en campos como el análisis de datos y la modelización predictiva. Su funcionamiento implica generalmente varias etapas, incluyendo la recolección de datos, preprocesamiento, selección de modelos, entrenamiento y evaluación. Al ajustar continuamente los parámetros y algoritmos del modelo, el aprendizaje supervisado puede mejorar la precisión predictiva.

En aplicaciones prácticas, el aprendizaje supervisado se utiliza comúnmente en filtrado de correos electrónicos, reconocimiento de imágenes, reconocimiento de voz y pronósticos financieros, entre otros. Las ventajas incluyen una implementación relativamente fácil y una mayor interpretabilidad, mientras que las desventajas incluyen la dependencia de grandes conjuntos de datos etiquetados y el riesgo de sobreajuste.

Mirando hacia el futuro, se espera que el aprendizaje supervisado avance en tareas más complejas a medida que aumenta el volumen de datos y mejora la capacidad computacional. Especialmente con el avance de las tecnologías de aprendizaje profundo, las perspectivas de desarrollo del aprendizaje supervisado son amplias. Sin embargo, cómo obtener y procesar datos etiquetados de manera efectiva sigue siendo un desafío.