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 Word Embedding

Word Embedding es una técnica utilizada para convertir palabras en vectores para tareas de procesamiento de lenguaje natural (NLP). Al mapear palabras en un espacio vectorial continuo, Word Embedding permite a las máquinas entender y procesar las relaciones semánticas en el lenguaje.

El núcleo de Word Embedding radica en algoritmos como Word2Vec, GloVe y FastText. Estos algoritmos analizan grandes cantidades de datos textuales para aprender cómo se utilizan las palabras en diferentes contextos, convirtiéndolas en representaciones vectoriales. Un escenario típico es cuando los vectores para 'rey' y 'reina' reflejan una relación similar a la de 'hombre' y 'mujer'.

Las ventajas de Word Embedding incluyen la capacidad de manejar grandes conjuntos de datos textuales, proporcionar una mejor comprensión semántica y ser aplicable a varios modelos de aprendizaje automático. Sin embargo, también tiene desventajas, como un tratamiento deficiente de palabras de baja frecuencia y la posibilidad de introducir sesgos. Por lo tanto, se requiere atención cuidadosa al utilizar Word Embedding para mitigar estos problemas.

En el futuro, a medida que evolucionen las tecnologías de aprendizaje profundo, Word Embedding podría combinarse con modelos más complejos, como Transformers, mejorando la precisión y flexibilidad en la comprensión del lenguaje.