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 No Supervisado

El aprendizaje no supervisado es un tipo de aprendizaje automático que se ocupa de datos no etiquetados. A diferencia del aprendizaje supervisado, su objetivo es encontrar patrones y estructuras dentro de los datos sin la guía de etiquetas. Esta técnica es fundamental en muchas aplicaciones, como agrupamiento, reducción de dimensionalidad y aprendizaje de reglas de asociación.

El agrupamiento es un método utilizado para agrupar puntos de datos de manera que los puntos en el mismo grupo sean más similares entre sí. La reducción de dimensionalidad simplifica los datos al reducir la cantidad de características, manteniendo información esencial. El aprendizaje de reglas de asociación ayuda a descubrir relaciones entre variables, comúnmente utilizado en análisis de cestas de mercado para entender el comportamiento de compra de los consumidores.

Una gran ventaja del aprendizaje no supervisado es su capacidad para manejar grandes cantidades de datos no etiquetados, lo que es común en muchos escenarios del mundo real. Sin embargo, también presenta desventajas, como la falta de criterios de evaluación claros, lo que dificulta evaluar el rendimiento del modelo.

Mirando hacia el futuro, se espera que el aprendizaje no supervisado gane cada vez más importancia, especialmente en los campos de big data e inteligencia artificial. Los investigadores están explorando continuamente nuevos métodos para mejorar su efectividad, como emplear técnicas de aprendizaje por refuerzo y redes adversariales generativas (GAN).