¿Cómo aprende una IA?
Cómo aprende una IA
Datos, pérdida, gradientes y backpropagation: el ciclo de entrenamiento explicado paso a paso.
10 conceptos~12 min en totalNivel 1 · Fundamentos
Empezar con Datos - 1DatosLa información —texto, imágenes, números, audio— de la que un modelo aprende y sobre la que hace predicciones.
- 2DatasetUna colección organizada de ejemplos que se usa para entrenar, validar o evaluar un modelo.
- 3ModeloEl resultado de entrenar un algoritmo con datos: una función que recibe una entrada y produce una predicción o una respuesta.
- 4TrainingEl proceso en el que un modelo ajusta sus parámetros a partir de datos para mejorar en una tarea.
- 5Loss FunctionUna fórmula que mide qué tan equivocadas están las predicciones del modelo; el entrenamiento busca hacerla lo más pequeña posible.
- 6GradienteUn vector que indica, para cada parámetro, en qué dirección y con qué intensidad cambia una función; apunta hacia donde la función crece más rápido.
- 7Gradient DescentUn algoritmo de optimización que ajusta los parámetros de un modelo dando pequeños pasos en la dirección que más reduce el error.
- 8BackpropagationEl algoritmo que calcula cuánto contribuyó cada parámetro de una red al error, propagando ese error desde la salida hacia atrás.
- 9OverfittingCuando un modelo memoriza los datos de entrenamiento, incluido su ruido, y falla con datos nuevos.
- 10GeneralizationLa capacidad de un modelo de funcionar bien con datos que no vio durante el entrenamiento.