Glosario IA
El diccionario completo de la Inteligencia Artificial
Mapa de calor de pesos
Visualización matricial codificada por colores que representa la intensidad de los pesos sinápticos entre las neuronas de una red, permitiendo identificar las conexiones más influyentes en el modelo.
Gráfico de activación de neuronas
Representación visual de los valores de activación de las neuronas en diferentes capas de una red, ilustrando cómo la información se transforma progresivamente a través de la arquitectura del modelo.
Diagrama de arquitectura del modelo
Esquema estructural detallado que muestra las capas, las conexiones y las dimensiones de los tensores en una red neuronal, facilitando la comprensión de la organización global del modelo.
Mapa de características profundas
Visualización 2D o 3D de las características aprendidas por las capas profundas de una red, revelando los patrones abstractos que el modelo ha identificado en los datos de entrada.
Gráfico de importancia de variables
Diagrama de barras o radar que clasifica las características según su contribución predictiva en el modelo, permitiendo identificar las variables más determinantes para las predicciones.
Visualización del espacio latente
Proyección en 2D/3D del espacio de alta dimensión donde el modelo codifica los datos, revelando la estructura y las relaciones ocultas entre las muestras en este espacio abstracto.
Diagrama Sankey de flujo de datos
Visualización evolutiva que muestra el flujo y la transformación de los datos a través de las diferentes capas de la red, con bandas proporcionales a la importancia de las conexiones.
Gráfico de gradientes integrados
Visualización que muestra cómo los gradientes se acumulan a lo largo de los caminos de una red, ayudando a comprender qué caminos contribuyen más a las decisiones finales del modelo.
Mapa de saliencia (Saliency Map)
Superposición coloreada sobre los datos de entrada que indica las regiones que más influyen en la predicción del modelo, esencial para comprender el enfoque atencional de la red.
Visualización SHAP
Representaciones gráficas basadas en los valores SHAP que muestran el impacto individual y colectivo de cada variable en las predicciones, con explicaciones locales y globales.
Gráfico LIME
Visualización de las explicaciones locales generadas por LIME, mostrando los pesos y las contribuciones de las características para una predicción específica con gráficos explicativos.
Diagrama t-SNE
Proyección no lineal de los embeddings del modelo en 2D que preserva las relaciones locales, revelando los clústeres y la estructura intrínseca de las representaciones aprendidas.
Visualización UMAP
Proyección dimensional alternativa a t-SNE que preserva mejor la estructura global de los datos, ofreciendo una vista más fiel de las relaciones a gran escala en el espacio latente.
Mapa de atención
Visualización de los pesos de atención en los modelos transformers, mostrando qué partes de la entrada el modelo considera importantes para cada paso de procesamiento.
Frontera de decisión animada
Visualización dinámica que muestra cómo la superficie de decisión del modelo evoluciona durante el entrenamiento, ilustrando el aprendizaje progresivo de las fronteras de clasificación.
Histograma de activaciones por capa
Distribución de los valores de activación para cada capa de la red, permitiendo identificar problemas de saturación o muerte de neuronas durante el entrenamiento.
Matriz de pesos de conexión
Representación matricial completa de los pesos entre todas las capas de una red, visualizada como un mapa de calor para identificar patrones de conectividad emergentes.