Glosario IA
El diccionario completo de la Inteligencia Artificial
Capas Convolucionales Profundas
Capas iniciales de una red neuronal convolucional que capturan características de bajo nivel como contornos, texturas y formas geométricas fundamentales. Estas capas generalmente se reutilizan tal como están en el transfer learning por su capacidad para extraer patrones universales.
Redes Neuronales Pre-entrenadas
Modelos de aprendizaje profundo ya entrenados en grandes datasets como ImageNet, que poseen pesos optimizados para la extracción de características genéricas. Estas redes sirven de base para el transfer learning al proporcionar extractores de características eficientes.
Vectores de Características
Representaciones numéricas multidimensionales producidas por las capas intermedias de una red neuronal pre-entrenada. Estos vectores codifican la información semántica esencial de los datos de entrada en un espacio compacto y estructurado.
Ajuste Fino Parcial
Estrategia de transfer learning donde solo las capas superiores del modelo se reentrenan mientras que las capas inferiores permanecen congeladas. Este enfoque preserva las características genéricas mientras adapta el modelo a la tarea objetivo específica.
Extracción de Características Fijas
Método que utiliza las capas inferiores de un modelo pre-entrenado como extractor estático sin modificación de los pesos durante el entrenamiento. Esta técnica garantiza la estabilidad de las características extraídas mientras reduce los costos computacionales.
Capas Inferiores de la Red
Primeras capas de una red neuronal profunda especializadas en la detección de patrones elementales y genéricos. Estas capas capturan características universales transferibles entre diferentes tareas y dominios de aplicación.
Descriptores Visuales
Características cuantitativas extraídas de las imágenes por las capas convolucionales inferiores de un modelo pre-entrenado. Estos descriptores representan atributos visuales fundamentales como bordes, texturas y estructuras geométricas.
Representaciones Latentes
Codificaciones abstractas generadas por las capas ocultas de una red neuronal pre-entrenada que capturan la información esencial de los datos. Estas representaciones sirven de base para tareas downstream al reducir la dimensionalidad mientras preservan la semántica.
Características Jerárquicas
Estructura de características organizadas en niveles de abstracción creciente producida por las capas sucesivas de una red profunda. Las capas inferiores generan características de bajo nivel reutilizables como primitivas para diversas tareas.
Mapas de Características Convolucionales
Salidas de las capas convolucionales que representan activaciones espaciales correspondientes a la presencia de patrones específicos. Estos mapas de características de las capas inferiores son particularmente efectivos para capturar estructuras locales reutilizables.
Características de Cuello de Botella
Representaciones comprimidas extraídas justo antes de las capas de clasificación de una red preentrenada. Estas características de cuello de botella capturan la información semántica esencial en un formato compacto ideal para el aprendizaje por transferencia.
Modelos Preentrenados
Arquitecturas de aprendizaje profundo con pesos ya optimizados en conjuntos de datos de referencia como ImageNet o COCO. Estos modelos proporcionan extractores de características listos para usar para diversas tareas de visión o procesamiento del lenguaje.
Aprendizaje por Transferencia
Paradigma de aprendizaje automático que reutiliza el conocimiento adquirido en una tarea fuente para mejorar el rendimiento en una tarea objetivo. Este enfoque es particularmente efectivo con la extracción de características de las capas inferiores de modelos preentrenados.
Extracción de Patrones
Proceso de detección automática de estructuras recurrentes en los datos a través de los filtros de las capas convolutivas inferiores. Los patrones extraídos sirven como bloques de construcción fundamentales para representaciones más complejas.
Representaciones Abstractas
Codificaciones de alto nivel generadas por las capas intermedias de una red que capturan conceptos semánticos en lugar de píxeles brutos. Estas representaciones permiten una mejor generalización entre diferentes tareas relacionadas.
Capas de Extracción
Conjunto de capas neuronales especializadas en la transformación de datos brutos en características explotables. En el contexto del aprendizaje por transferencia, estas capas provienen típicamente de los niveles inferiores de modelos preentrenados.
Características Convolucionales
Atributos extraídos mediante operaciones de convolución aplicadas sobre los datos de entrada a través de filtros aprendidos. Estas características de las capas inferiores son especialmente eficaces para capturar estructuras locales invariantes a la traslación.
Embeddings Pre-entrenados
Representaciones vectoriales densas generadas por modelos ya entrenados en vastos corpus de datos. Estos embeddings capturan relaciones semánticas ricas y pueden servir como características iniciales para tareas especializadas.