Alfabeto del razonamiento supervisado

Ruleta de Palabras

Jugadas 0

Crear copia

Sobre esta actividad

Conceptos clave en IA supervisada

Creada por

Rigel Chuliá Ortega

España

Descarga la versión para jugar en papel

Top 10 resultados

Todavía no hay resultados para este juego. ¡Sé el primero en aparecer en el ranking! Inicia sesión para identificarte.

Crea tu propio juego gratis desde nuestro creador de juegos

Compite contra tus amigos para ver quien consigue la mejor puntuación en esta actividad

Crear reto


Alfabeto del razonamiento supervisadoVersión en línea Conceptos clave en IA supervisada por Rigel Chuliá Ortega A B C D E F G H I J M N O P R S T U V X Y Z Empieza por A Entrenamiento de un modelo usando ejemplos con etiquetas para predecir etiquetas en datos nuevos. Empieza por B Procesamiento de datos en lotes para actualizar los pesos sin usar ejemplos individuales de forma continua. Empieza por C Modelo que asigna una etiqueta o categoría a cada muestra de entrada. Empieza por D Algoritmo que ajusta parámetros para minimizar una función de error calculando sus variaciones. Empieza por E Asignación de una categoría o valor objetivo a cada muestra del conjunto de entrenamiento. Empieza por F Medida de diferencia entre la predicción y la etiqueta real que guía el aprendizaje. Empieza por G Vector de pendientes que señala la dirección de mayor incremento de la función de pérdida. Empieza por H Parámetros que controlan el proceso de aprendizaje y deben ajustarse antes del entrenamiento. Empieza por I Proceso de usar un modelo entrenado para predecir etiquetas de nuevas muestras. Empieza por J Evaluación del modelo en datos no vistos durante el entrenamiento para ajustar hiperparámetros. Empieza por M Tabla que resume aciertos y errores por clase para medir rendimiento. Empieza por N Escalado de características para que tengan distribución comparable durante el entrenamiento. Empieza por O Ajuste excesivo a los datos de entrenamiento que reduce la generalización a nuevos ejemplos. Empieza por P Proporción de predicciones correctas entre todas las predichas para una clase. Empieza por R Mecanismo para ajustar pesos propagando el error desde la salida hacia las capas anteriores. Empieza por S Desviación sistemática de las predicciones respecto a las etiquetas reales. Empieza por T Magnitud con la que se actualizan los parámetros en cada iteración. Empieza por U Fallo del modelo por falta de capacidad para capturar patrones en los datos. Empieza por V Evaluación del rendimiento del modelo mediante múltiples divisiones de datos. Empieza por X Ejemplo clásico donde múltiples entradas requieren una combinación no lineal para clasificarse. Empieza por Y Medidas de rendimiento como precisión, recall o F1 usadas para comparar modelos. Empieza por Z Estadarización de características para normalizar su distribución alrededor de la media.

Alfabeto del razonamiento supervisadoVersión en línea

Conceptos clave en IA supervisada

por Rigel Chuliá Ortega

Empieza por A

Entrenamiento de un modelo usando ejemplos con etiquetas para predecir etiquetas en datos nuevos.

Empieza por B

Procesamiento de datos en lotes para actualizar los pesos sin usar ejemplos individuales de forma continua.

Empieza por C

Modelo que asigna una etiqueta o categoría a cada muestra de entrada.

Empieza por D

Algoritmo que ajusta parámetros para minimizar una función de error calculando sus variaciones.

Empieza por E

Asignación de una categoría o valor objetivo a cada muestra del conjunto de entrenamiento.

Empieza por F

Medida de diferencia entre la predicción y la etiqueta real que guía el aprendizaje.

Empieza por G

Vector de pendientes que señala la dirección de mayor incremento de la función de pérdida.

Empieza por H

Parámetros que controlan el proceso de aprendizaje y deben ajustarse antes del entrenamiento.

Empieza por I

Proceso de usar un modelo entrenado para predecir etiquetas de nuevas muestras.

Empieza por J

Evaluación del modelo en datos no vistos durante el entrenamiento para ajustar hiperparámetros.

Empieza por M

Tabla que resume aciertos y errores por clase para medir rendimiento.

Empieza por N

Escalado de características para que tengan distribución comparable durante el entrenamiento.

Empieza por O

Ajuste excesivo a los datos de entrenamiento que reduce la generalización a nuevos ejemplos.

Empieza por P

Proporción de predicciones correctas entre todas las predichas para una clase.

Empieza por R

Mecanismo para ajustar pesos propagando el error desde la salida hacia las capas anteriores.

Empieza por S

Desviación sistemática de las predicciones respecto a las etiquetas reales.

Empieza por T

Magnitud con la que se actualizan los parámetros en cada iteración.

Empieza por U

Fallo del modelo por falta de capacidad para capturar patrones en los datos.

Empieza por V

Evaluación del rendimiento del modelo mediante múltiples divisiones de datos.

Empieza por X

Ejemplo clásico donde múltiples entradas requieren una combinación no lineal para clasificarse.

Empieza por Y

Medidas de rendimiento como precisión, recall o F1 usadas para comparar modelos.

Empieza por Z

Estadarización de características para normalizar su distribución alrededor de la media.

		%
	Anónimo	%
		%
		%

Alfabeto del razonamiento supervisado

Ruleta de Palabras

Sobre esta actividad

Creada por

Descarga la versión para jugar en papel

Top juegos

Ruleta de Palabras

JUEGO PASAPALABRA ROSCO 2

Ruleta de Palabras

ruleta de brawl stars

Ruleta de Palabras

Jugadores de futbol

Ruleta de Palabras

ROSCO VIRTUAL

Ruleta de Palabras

Equipos de futbol

Alfabeto del razonamiento supervisadoVersión en línea

por Rigel Chuliá Ortega

Empieza por A

Entrenamiento de un modelo usando ejemplos con etiquetas para predecir etiquetas en datos nuevos.

Empieza por B

Procesamiento de datos en lotes para actualizar los pesos sin usar ejemplos individuales de forma continua.

Empieza por C

Modelo que asigna una etiqueta o categoría a cada muestra de entrada.

Empieza por D

Algoritmo que ajusta parámetros para minimizar una función de error calculando sus variaciones.

Empieza por E

Asignación de una categoría o valor objetivo a cada muestra del conjunto de entrenamiento.

Empieza por F

Medida de diferencia entre la predicción y la etiqueta real que guía el aprendizaje.

Empieza por G

Vector de pendientes que señala la dirección de mayor incremento de la función de pérdida.

Empieza por H

Parámetros que controlan el proceso de aprendizaje y deben ajustarse antes del entrenamiento.

Empieza por I

Proceso de usar un modelo entrenado para predecir etiquetas de nuevas muestras.

Empieza por J

Evaluación del modelo en datos no vistos durante el entrenamiento para ajustar hiperparámetros.

Empieza por M

Tabla que resume aciertos y errores por clase para medir rendimiento.

Empieza por N

Escalado de características para que tengan distribución comparable durante el entrenamiento.

Empieza por O

Ajuste excesivo a los datos de entrenamiento que reduce la generalización a nuevos ejemplos.

Empieza por P

Proporción de predicciones correctas entre todas las predichas para una clase.

Empieza por R

Mecanismo para ajustar pesos propagando el error desde la salida hacia las capas anteriores.

Empieza por S

Desviación sistemática de las predicciones respecto a las etiquetas reales.

Empieza por T

Magnitud con la que se actualizan los parámetros en cada iteración.

Empieza por U

Fallo del modelo por falta de capacidad para capturar patrones en los datos.

Empieza por V

Evaluación del rendimiento del modelo mediante múltiples divisiones de datos.

Empieza por X

Ejemplo clásico donde múltiples entradas requieren una combinación no lineal para clasificarse.

Empieza por Y

Medidas de rendimiento como precisión, recall o F1 usadas para comparar modelos.

Empieza por Z

Estadarización de características para normalizar su distribución alrededor de la media.