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 Underfitting

El underfitting es un concepto importante en el aprendizaje automático que se refiere al mal rendimiento de un modelo en los datos de entrenamiento, incapaz de capturar los patrones subyacentes de los datos.

Esta situación normalmente ocurre cuando el modelo es demasiado simple para expresar características complejas, lo que lleva a un mal rendimiento tanto en el conjunto de entrenamiento como en el de prueba.

Identificar el underfitting es crucial para la optimización del modelo. Si un modelo sufre de underfitting, significa que no puede aprender eficazmente las características de los datos.

Las causas comunes incluyen el uso de modelos excesivamente simples, características insuficientes y una pequeña cantidad de datos.

Un escenario típico de underfitting ocurre cuando se utiliza un modelo de regresión lineal para ajustar un conjunto de datos que claramente presenta una relación no lineal.

A medida que la tecnología de aprendizaje automático continúa evolucionando, están surgiendo nuevos algoritmos y arquitecturas de modelos para adaptarse mejor a las necesidades de aprendizaje de datos complejos.

Los modelos simples son computacionalmente eficientes y fáciles de interpretar, pero pueden llevar a un bajo rendimiento predictivo si no capturan características complejas.

Al abordar el underfitting, es esencial mantener la sensibilidad a la complejidad del modelo y evitar la simplificación excesiva que pueda degradar el rendimiento.