Documentos de Académico
Documentos de Profesional
Documentos de Cultura
AI Dictionary PDF
AI Dictionary PDF
de
Términos Técnicos
en
Inteligencia Artificial (IA)
Spanish-English Dictionary
of
Technical Terms
in
Artificial Intelligence (AI)
1
Contents
1 Prefacio 4
2 Preface 5
3 Diccionario 6
A . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
B . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
C . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
D. . . . . . . . . . . . . . . . . . . . . . . . . . . 9
E . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
F . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
G. . . . . . . . . . . . . . . . . . . . . . . . . . . 12
H. . . . . . . . . . . . . . . . . . . . . . . . . . . 13
I . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
J . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
K . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
L . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
M . . . . . . . . . . . . . . . . . . . . . . . . . . 15
N. . . . . . . . . . . . . . . . . . . . . . . . . . . 16
O. . . . . . . . . . . . . . . . . . . . . . . . . . . 16
P . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Q. . . . . . . . . . . . . . . . . . . . . . . . . . . 17
R . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
S . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
T . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
U. . . . . . . . . . . . . . . . . . . . . . . . . . . 19
V . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2
CONTENTS CONTENTS
W . . . . . . . . . . . . . . . . . . . . . . . . . . 20
X . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Y . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Z . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3
Prefacio
4
Preface
5
Diccionario
6
Attributes Bias
7
C Convolution
8
Convolutional Neural Network (CNN) Deep Neural Networks
9
Deep Learning Entropy
10
Expected Value Feature Vector
11
G Gradient Descent
12
H Kernel
13
L Long Short-Term Memory (LSTM)
14
Loss Function Multi-Layer Perceptron (MLP)
15
N Perceptron
16
Precision Recurrent Neural Network (RNN)
17
Reinforcement Learning Stochastic
–a manera de predicción–
y compararla con la corre-
S
spondiente etiqueta de los
datos de entrada. Este es Softmax -n. Es una funcion de
el inicio del proceso de retro activacion (ref. Activation
propagación y va en el sen- Function) que a menudo se
tido opuesto a la secuen- coloca en la capa de salida
cia, actualizando los pesos de una red neuronal. Dada
de toda la red neuronal en una capa de una red neu-
ese orden. ronal, la funcion Softmax
normaliza cada valor entre
Entrenar este tipo de mode-
0.0 y 1.0 con la condicion
los puede presentar compli-
que la suma de estos val-
caciones cuando se memo-
ores sea 1.0. El resultado
rizan patrones en señales de
en un vector que representa
larga duración. La multipli-
la probabilidad de que un
cación de gradientes en una
dato de entrada pertenezca
secuencia larga hace que
a cada clase disponible con
el producto final converja
cierto nivel de probabilidad.
rápidamente a 0 si las gradi-
entes son menores a 1, o se Matematicamente, la ecua-
incremente rápidamente si cion de esta funcion se de-
la gradientes son mayores a fine como:
1. Ambos problemas reciben
el nombre de desvanec- efyi
imiento (vanishing) o ex- S(fyi ) = P fyj
plosión ( exploding), respec- j
e
tivamente; y su estudio ha
donde fyi representa el vec-
conducido a diseñar redes
tor que contiene los datos de
recurrentes que controlan
la capa de salida de una red
el flujo de gradientes en
neuronal.
base a compuertas entren-
ables llamadas redes LSTM Stochastic [Estocástico] -n. Es la
(ref. Long Short Term Mem- cualidad de un evento de
ory). ser determinado aleatoria-
mente.
Reinforcement Learning Cuando un proceso es es-
[Aprendizaje por Refuerzo] tocástico, se dice que es
-n. Conjunto de algoritmos un proceso aleatorio (ran-
que entrenan a un agente a dom process) en el cual
interactuar con un ambiente los valores de sus vari-
a través de una secuencia ables están especificados
de estados , acciones, y pre- por una función de dis-
mios (rewards). El agente tribución probabilı́stica. Por
es entrenado con el objetivo ejemplo, el proceso de tirar
de maximizar el valor acu- un dado esta definido por
mulado de futuros rewards una función que asigna una
durante la secuencia de ac- probabilidad a cada resul-
ciones que suceden durante tado del experimento. De-
un episodio. spués de un gran número de
18
Supervised Learning Unsupervised Learning
19
V Weights
Y
W
Z
Weights [Pesos] -n. En una
red neuronal artificial, un
20