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 Embedding Vectorial?

El Embedding Vectorial es una técnica que transforma objetos, como palabras o imágenes, en representaciones vectoriales de tamaño fijo. Este método es especialmente importante en el Procesamiento de Lenguaje Natural (NLP) y el aprendizaje automático, ya que permite conservar las relaciones semánticas entre objetos mientras mapea datos de alta dimensión a espacios de baja dimensión.

Uno de los ejemplos más famosos de Embedding Vectorial incluye modelos como Word2Vec, GloVe y BERT, que generan vectores al entrenar en grandes corpora de texto para capturar similitudes semánticas entre palabras. Estos embeddings desempeñan un papel crucial en aplicaciones como la recuperación de información, sistemas de recomendación y chatbots.

El proceso generalmente implica mapear objetos a un espacio de alta dimensión, utilizando redes neuronales u otros algoritmos para el entrenamiento. Después del entrenamiento, el modelo puede generar nuevos vectores de objetos, asegurando que objetos similares estén más cerca en el espacio vectorial.

En el futuro, es posible que veamos métodos de entrenamiento más eficientes y representaciones vectoriales más ricas a medida que avanza el aprendizaje profundo. Sin embargo, es esencial considerar la elección del modelo y la calidad de los datos de entrenamiento para garantizar representaciones efectivas.