Explorando los Conceptos Fundamentales de la Inteligencia Artificial

El Mapa del Lexicón de IA ofrece una visión general de los conceptos que forman la base de las redes neuronales modernas, el aprendizaje profundo y los modelos de lenguaje.

La inteligencia artificial moderna se construye a partir de múltiples áreas interconectadas. Este mapa organiza los conceptos clave en categorías que reflejan cómo se desarrolla y utiliza la IA en la práctica.

Puedes explorar cada categoría para descubrir definiciones detalladas y explicaciones de los conceptos más importantes del campo.

Fundamentos de Redes Neuronales

Estos conceptos explican cómo funcionan las redes neuronales y cómo aprenden a partir de datos.

Red Neuronal Artificial
Perceptrón
Perceptrón Multicapa
Función de Activación
Función de Pérdida
Gradiente
Descenso de Gradiente
Retropropagación
Inicialización de Pesos
Sobreajuste (Overfitting)
Subajuste (Underfitting)
Regularización
Dataset de Entrenamiento
Dataset de Validación
Dataset de Prueba

Arquitecturas de Redes Neuronales

Las arquitecturas definen la estructura de los modelos de aprendizaje profundo.

Redes Neuronales Convolucionales (CNN)
Redes Neuronales Recurrentes (RNN)
LSTM
GRU
Arquitectura Transformer
Modelos Encoder-Decoder
Modelos Decoder-Only
Autoencoders
Variational Autoencoders
Redes Residuales (ResNet)
DenseNet
Vision Transformers (ViT)
Graph Neural Networks (GNN)
Mixture of Experts (MoE)
Redes Siamese

Optimización y Entrenamiento

Estos conceptos explican cómo se entrenan las redes neuronales y cómo se optimizan sus parámetros.

SGD (Stochastic Gradient Descent)
Adam
RMSProp
Momentum
Mini-Batch Training
Batch Size
Learning Rate
Learning Rate Schedules
Gradient Clipping
Gradientes Desvanecientes
Gradientes Explosivos
Convergencia del Modelo
Dinámica del Entrenamiento
Early Stopping
Weight Decay

Representación y Aprendizaje de Características

Las redes neuronales transforman datos en representaciones útiles que facilitan el aprendizaje.

Feature Learning
Representaciones Latentes
Embeddings
Embeddings de Tokens
Embeddings de Palabras
Espacio Vectorial Semántico
Representación Distribuida
Transfer Learning
Aprendizaje Auto-Supervisado
Feature Extraction

Transformers y Modelos de Lenguaje

Los Transformers impulsan la mayoría de los sistemas modernos de inteligencia artificial generativa.

Self-Attention
Multi-Head Attention
Positional Encoding
Tokenización
Modelos de Lenguaje
Modelos de Lenguaje Grandes (LLMs)
Preentrenamiento
Fine-Tuning
Instruction Tuning
Chain-of-Thought Prompting
In-Context Learning
Few-Shot Learning
Zero-Shot Learning
Scaling Laws
Emergent Abilities

Ecosistema de LLMs y Sistemas de IA

Estos conceptos explican cómo se integran los modelos de lenguaje en aplicaciones reales.

Prompt Engineering
Ventana de Contexto
Hallucinations
Retrieval Augmented Generation (RAG)
Bases de Datos Vectoriales
AI Agents
Function Calling
Tool Use
Memoria en Sistemas de IA
Guardrails de IA

Evaluación y Métricas de Modelos

Las métricas permiten medir el rendimiento y la calidad de los modelos de inteligencia artificial.

Accuracy
Precision
Recall
F1 Score
Perplexity
BLEU Score
Benchmarking
Model Evaluation
Cross-Validation
Confusion Matrix

Seguridad y Alineación de IA

El desarrollo responsable de la inteligencia artificial requiere comprender los riesgos y mecanismos de seguridad.

AI Alignment
RLHF (Reinforcement Learning from Human Feedback)
Reward Models
Safety Training
Red Teaming en IA
Robustness
Adversarial Attacks
Adversarial Training
Bias en Modelos de IA
Gobernanza de IA

Cómo Explorar el Lexicón

Cada concepto dentro del Lexicón de Redes Neuronales incluye:

una definición clara
una explicación detallada
ejemplos conceptuales
ejemplos de código
enlaces a conceptos relacionados

Esto permite explorar el campo de la inteligencia artificial de manera estructurada y progresiva.

Un Recurso en Crecimiento

El Lexicón de Redes Neuronales se ampliará continuamente con nuevos conceptos que reflejen los avances en aprendizaje profundo, modelos de lenguaje y sistemas de inteligencia artificial.

Nuestro objetivo es construir una referencia completa que ayude a comprender la arquitectura conceptual de la inteligencia artificial moderna.