Redes neuronales y hardware

Tipo de aprendizaje automático que usa redes neuronales con muchas capas para descubrir por sí mismo patrones complejos en los datos.

Información que se incorpora a las representaciones de una secuencia para que un transformer pueda distinguir el orden o la posición de sus elementos.

Chip diseñado para hacer muchísimos cálculos sencillos a la vez, ideal para entrenar y ejecutar modelos de IA.

Biblioteca de Python para cálculo numérico y aprendizaje automático que combina transformación de funciones, diferenciación automática y compilación acelerada.

Técnica que permite a un modelo decidir qué partes de la información de entrada son más relevantes para cada parte de la salida.

Técnica que normaliza las activaciones de una red usando estadísticas de un lote de entrenamiento y aprende una escala y un desplazamiento.

Los números internos de un modelo (sus pesos) que se ajustan durante el entrenamiento y que contienen todo lo que ha aprendido.

Modelo matemático formado por capas de unidades sencillas conectadas entre sí, inspirado de forma muy libre en el cerebro, que aprende ajustando la fuerza de sus conexiones.

Tipo de red neuronal que aplica filtros convolucionales para detectar patrones locales y reutilizar esos filtros en distintas posiciones de una entrada.

Algoritmo que calcula cuánto contribuyó cada parámetro de una red neuronal al error final, para poder corregirlos todos a la vez de forma eficiente.

Arquitectura de red neuronal basada en el mecanismo de atención que es la base de casi todos los modelos de lenguaje actuales.

Arquitectura de red neuronal con una ruta de compresión y otra de expansión, conectadas por atajos, muy utilizada para segmentar imágenes.

Rama de la IA que permite a las máquinas interpretar imágenes y vídeos: reconocer objetos, personas, texto o escenas.

Familia de detectores de objetos que predicen clases y ubicaciones de objetos en una imagen mediante una red neuronal de una sola etapa.