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 Datos de Entrenamiento

Los datos de entrenamiento se refieren al conjunto de datos utilizado para entrenar modelos de aprendizaje automático. Es un componente central de los campos de aprendizaje automático e inteligencia artificial, afectando directamente el rendimiento y la precisión de los modelos.

La calidad y diversidad de los datos de entrenamiento determinan la efectividad del modelo en aplicaciones del mundo real. Por ejemplo, en tareas de reconocimiento de imágenes, los datos de entrenamiento pueden incluir miles de imágenes etiquetadas para que el modelo aprenda a identificar diferentes objetos.

En el proceso de aprendizaje automático, la recopilación y procesamiento de datos son etapas cruciales. Los datos deben pasar por limpieza, etiquetado y división para garantizar su calidad y aplicabilidad. El tamaño y la complejidad del conjunto de datos también pueden afectar el tiempo de entrenamiento y la capacidad de generalización del modelo.

Las tendencias futuras indican que los avances tecnológicos, como los modelos generativos y los métodos de aprendizaje auto-supervisado, están cambiando las necesidades de datos de entrenamiento. Estos enfoques pueden aprender de manera efectiva con menos datos etiquetados, reduciendo la dependencia de grandes conjuntos de datos de entrenamiento.

En cuanto a las ventajas y desventajas, la ventaja de los datos de entrenamiento es que son fundamentales para el éxito del aprendizaje automático, proporcionando el material para que el modelo aprenda. Sin embargo, la recopilación y etiquetado de datos puede ser muy lenta y costosa. Además, el sesgo de datos y los problemas de privacidad también pueden afectar la imparcialidad y confiabilidad de los modelos.