TopAIToolsTopAITools

Glossary

0-9
6DoF pose estimation4D data5G + AI1-shot learning0-shot learning3D convolution8-bit quantization7D representation2-stage detector9-layer network
A
Artificial Intelligence (AI)AGI / Artificial General IntelligenceAutoencoderAttentionAlgorithm
B
BackpropagationBERTBiasBoostingBatch Normalization
C
Classifier / ClassificationCNN / Convolutional Neural NetworkClusteringCross-ValidationChatbot
D
Data AugmentationDeep LearningDeepfakeDeterministic ModelDiscriminative Model
E
Ensemble LearningEncoderEmbeddingEpochExplainable AI (XAI)
F
Fine-tuningFusion / Multimodal FusionFeature ExtractionForward PropagationFoundation Model
G
GAN / Generative Adversarial NetworkGradient DescentGroundingGenerative AIGraph Neural Network (GNN)
H
Hierarchical ModelHeuristicHallucinationHidden LayerHyperparameter
I
Instance / SampleInstruction tuningIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JuxtapositionJitteringJAXJoint EmbeddingJSONL / JSON-lines
K
K-Shot LearningKernel TrickK-means ClusteringKnowledge DistillationKL Divergence (Kullback–Leibler Divergence)
L
Learning RateLarge Language Model (LLM)Loss FunctionLatent VariableLSTM / Long Short-Term Memory
M
Machine Learning (ML)Meta-learningModelMulti-head AttentionMultimodal / Multimodality
N
NLP / Natural Language ProcessingNovelty Detection / Anomaly DetectionNLU / Natural Language UnderstandingNormalizationNeural Network
O
Online LearningObjective FunctionOne-hot EncodingOverfittingOptimizer
P
PretrainingPoolingParameterPolicy / Reinforcement Learning PolicyPrompt
Q
Q-learningQueue / BufferQuantizationQuality EstimationQuery
R
Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Representation LearningRegularizationRNN / Recurrent Neural Network
S
Self-Supervised LearningSupervised LearningSequence ModelingSamplingSoftmax
T
Tuning / Hyperparameter TuningTokenizerTraining DataTransfer LearningTransformer
U
Unsupervised LearningUniversal Approximation TheoremUnderfittingUncertainty EstimationU-Net
V
Vector EmbeddingVariational Autoencoder (VAE)Validation SetVision Transformer (ViT)Vanishing / Exploding Gradient
W
Weight DecayWeak SupervisionWhitening / Whitening TransformationWord EmbeddingWorkflow
X
XOR problemXAI / Explainable AIX-axis / feature axisXLMXLNet
Y
Y-axis / feature axisYield (model yield / throughput)YAGNI (You Aren't Gonna Need It)Y-transform / YUVYoga of AI
Z
Zero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZ-score NormalizationZero-gradient phenomenonZygosity in augmentation

¿Qué es la Normalización Z-score?

La Normalización Z-score, también conocida como estandarización, es una técnica de preprocesamiento de datos comúnmente utilizada en análisis estadísticos y aprendizaje automático. Su principal objetivo es convertir los datos en una distribución normal estándar con una media de 0 y una desviación estándar de 1, eliminando así la influencia de diferentes escalas y unidades en el entrenamiento del modelo.


En muchas tareas de análisis de datos, las unidades y rangos de las características pueden variar, lo que lleva a que ciertas características dominen el proceso de entrenamiento del modelo. La Normalización Z-score ajusta cada punto de datos en relación con la media y la desviación estándar, haciendo que las distribuciones de las características sean más consistentes para el análisis y modelado posterior.


El Z-score se calcula mediante la fórmula: Z = (X - μ) / σ, donde X es el valor original que se va a normalizar, μ es la media y σ es la desviación estándar. Esta fórmula permite transformar los datos en una escala estandarizada.


La Normalización Z-score se utiliza ampliamente en varios campos, especialmente en modelos de aprendizaje automático como Máquinas de Vectores de Soporte (SVM), regresión logística y redes neuronales. La consistencia en la escala de las características puede aumentar la velocidad de convergencia y la precisión del modelo.


Las ventajas incluyen la eliminación de la influencia dimensional entre las características, lo que hace que el entrenamiento del modelo sea más estable, y ayudar a aumentar la velocidad de convergencia del algoritmo, especialmente en métodos basados en gradientes. Sin embargo, es sensible a los valores atípicos, que pueden distorsionar los resultados, y es adecuado solo para datos que siguen una distribución normal; si la distribución de los datos se desvía gravemente de la normalidad, puede no ser efectiva.


A medida que avanza la ciencia de datos, la Normalización Z-score y sus variantes seguirán aplicándose en el procesamiento de grandes datos, aprendizaje profundo y análisis de datos en tiempo real. Los investigadores también están explorando métodos de normalización más robustos para enfrentar los desafíos que presentan los conjuntos de datos modernos.


Al utilizar la Normalización Z-score, es fundamental evaluar la distribución de los datos para garantizar la normalidad. Además, el tratamiento de valores atípicos debe formar parte del preprocesamiento para minimizar su impacto en los resultados de la normalización.