texto stringlengths 55 3.18k | embedding listlengths 768 768 |
|---|---|
passage: Si te encuentras en algún canal de «irc. freenode. net» puedes digitar /join #corrector-es y de inmediato entrarás al canal; ¡siempre serás bienvenido!. | [
0.013262706808745861,
0.05705012008547783,
-0.02883869968354702,
0.051032654941082,
0.037427112460136414,
-0.018106313422322273,
0.002639572136104107,
-0.014794981107115746,
0.020392954349517822,
-0.004474801942706108,
0.016139527782797813,
-0.022526083514094353,
0.10885101556777954,
0.039... |
passage: Para que un Bot pueda trabajar en Wikipedia debes pedir una autorización la cual es votada por la comunidad quienes analizaran los aportes que haga en un tiempo prudente de pruebas. Al finalizar la postulación y si es aceptada por una mayoría entonces un bibliotecario se ocupará de darte el «Flag» y activarlo. | [
-0.004012661520391703,
0.03887294977903366,
-0.02264087274670601,
0.032529521733522415,
0.03812102600932121,
-0.005846694577485323,
-0.027205662801861763,
-0.038543701171875,
0.02368341200053692,
0.027449510991573334,
-0.016526566818356514,
-0.004547968506813049,
0.0784226506948471,
0.0118... |
passage: En el tiempo que lo tengas en pruebas, deberás colocar un mensaje para que la comunidad que sigue cambios recientes este informada, puedes escribir lo siguiente : | [
0.0021168214734643698,
0.02756865881383419,
0.009931772947311401,
0.034241318702697754,
0.042383842170238495,
-0.029405103996396065,
-0.021003948524594307,
-0.0618957094848156,
0.029074274003505707,
0.016119543462991714,
-0.014509900473058224,
-0.0035263579338788986,
0.07652632147073746,
0... |
passage: La ayuda necesaria para obtener el bot la consigues en el Tutorial que Wikilibros ofrece, ahí tendrás los pasos a seguir para la descarga del bot, es importante que leas con atención toda la ayuda que te brinda, para continuar con la descarga lo puedes hacer presionando el siguiente enlace: | [
0.01934589073061943,
0.031101830303668976,
-0.024149572476744652,
0.03696345165371895,
0.028495173901319504,
-0.038820531219244,
-0.006410783622413874,
-0.03106197901070118,
0.03451977297663689,
0.02304702065885067,
-0.04275437444448471,
-0.003186711808666587,
0.09933648258447647,
0.013292... |
passage: Una vez que has descargado el bot, y conociendo sobre el «irc» te diriges por la red freenode (irc.freenode.net) al canal (#corrector-es) para proseguir. | [
0.03145395591855049,
0.06441377103328705,
-0.02077975869178772,
0.04026830941438675,
0.02852959930896759,
-0.040920235216617584,
-0.013320894911885262,
-0.02980886399745941,
0.026325898244976997,
0.003667289623990655,
0.013675481081008911,
-0.014024320989847183,
0.10025414824485779,
0.0362... |
passage: Puedes también enviar un correo electrónico a corrector-es@googlegroups.com, de esta forma se te agregará al grupo y tendrás acceso a los archivos del diccionario. | [
0.013124126009643078,
0.026811115443706512,
-0.04557226970791817,
0.031543586403131485,
0.023138610646128654,
-0.006693572737276554,
-0.017166083678603172,
-0.059911321848630905,
0.023565717041492462,
0.029690206050872803,
-0.02050664648413658,
-0.01439006719738245,
0.09610624611377716,
0.... |
passage: Por los momentos lamentablemente no contamos con un lugar para subir los archivos y ponerlos como descarga directa. | [
-0.005168703850358725,
0.02516428381204605,
-0.023217806592583656,
-0.007265124469995499,
0.026618842035531998,
-0.017617858946323395,
-0.020079294219613075,
-0.0397433303296566,
0.04284649342298508,
0.00481168320402503,
-0.019409198313951492,
0.009741709567606449,
0.08592122793197632,
0.0... |
passage: Zero-shot learning (ZSL) es una configuración de problemas en aprendizaje profundo, en la que, en el momento de la prueba, un alumno observa muestras de clases que no se observaron durante el entrenamiento, y necesita predecir la clase a la que pertenecen. El nombre es un juego de palabras basado en el concept... | [
0.010239752940833569,
0.026851804926991463,
0.002568847732618451,
0.03104422241449356,
0.0385926179587841,
-0.05393422767519951,
-0.03724025562405586,
-0.03653376176953316,
0.041538648307323456,
0.08500714600086212,
0.002667199121788144,
0.024369345977902412,
0.10990478098392487,
0.0534043... |
passage: Los métodos de ZSL suelen funcionar asociando clases observadas y no observadas mediante algún tipo de información auxiliar, que codifica propiedades distintivas observables de los objetos. Por ejemplo, dado un conjunto de imágenes de animales para clasificar, junto con descripciones textuales auxiliares sobre... | [
-0.022085800766944885,
0.02955677919089794,
0.033171165734529495,
0.06436260789632797,
0.02978135645389557,
-0.03704565390944481,
-0.02193526178598404,
-0.036592353135347366,
0.05394626408815384,
0.037270620465278625,
-0.013984198682010174,
0.018466373905539513,
0.1038026213645935,
0.02594... |
passage: El primer artículo sobre Zero-shot learning en el procesamiento del lenguaje natural apareció en 2008, en un artículo de Chang, Ratinov, Roth y Srikumar, en la Asociación para el Avance de la Inteligencia 2008 (AAAI'08), pero el nombre que allí se dio al paradigma de aprendizaje fue clasificación sin datos. El... | [
0.0035224556922912598,
0.04806772992014885,
0.012497486546635628,
0.043831124901771545,
0.018652159720659256,
-0.02122025564312935,
-0.019388267770409584,
-0.026378000155091286,
0.022843703627586365,
0.06908879429101944,
-0.006140171084553003,
0.025058604776859283,
0.11156874150037766,
0.0... |
passage: En visión por computadora, los modelos de ZSL aprenden los parámetros de las clases vistas junto con sus representaciones de clase y se basan en la similitud representacional entre las etiquetas de clase para que, durante la inferencia, las instancias puedan clasificarse en nuevas clases. | [
-0.01328354887664318,
0.03499433398246765,
-0.0011536634992808104,
0.033514466136693954,
0.012494795955717564,
0.0039018241222947836,
-0.02632579207420349,
-0.021409334614872932,
0.03755684196949005,
0.03695032000541687,
-0.0227188840508461,
0.0024489557836204767,
0.10295061022043228,
0.06... |
passage: En el procesamiento del lenguaje natural, la dirección técnica clave desarrollada se basa en la capacidad de "entender las etiquetas", es decir, representar las etiquetas en el mismo espacio semántico que el de los documentos que hay que clasificar. Esto permite la clasificación de un único ejemplo sin observa... | [
0.024656876921653748,
0.049433350563049316,
-0.0009187819086946547,
0.06020215526223183,
0.026883529499173164,
0.003230639034882188,
-0.021460464224219322,
-0.007094183005392551,
0.007048869505524635,
0.0539834126830101,
0.004740545991808176,
0.013025039806962013,
0.08783229440450668,
0.06... |
passage: El documento original también señala que, más allá de la capacidad de clasificar un solo ejemplo, cuando se da una colección de ejemplos, con la suposición de que provienen de la misma distribución, es posible hacer una mejora del rendimiento de una manera similar a la semisupervisada (o aprendizaje transducti... | [
0.0015539090381935239,
0.021847950294613838,
-0.012664646841585636,
0.043198347091674805,
0.06601268798112869,
-0.016869816929101944,
-0.03330722823739052,
-0.02778857760131359,
0.044021014124155045,
0.01269801426678896,
-0.029683001339435577,
0.010116737335920334,
0.08536610007286072,
0.0... |
passage: A diferencia de la generalización estándar en el aprendizaje automático, donde se espera que se clasifiquen correctamente las nuevas muestras en clases que ya han observado durante el entrenamiento, en ZSL no se han dado muestras de las clases durante el entrenamiento del clasificador. Por tanto, puede conside... | [
-0.009593188762664795,
0.04012327641248703,
0.020464779809117317,
0.0367007777094841,
0.030730554834008217,
-0.034237977117300034,
-0.030032001435756683,
-0.0374864898622036,
0.0607023648917675,
0.024171706289052963,
-0.012852382846176624,
0.02039162442088127,
0.12018731236457825,
0.036250... |
passage: Naturalmente, hay que dar algún tipo de información auxiliar sobre estas clases de ZSL y este tipo de información puede ser de varios tipos. | [
0.0028951126150786877,
0.009678087197244167,
-0.009147865697741508,
0.021054154261946678,
0.026160307228565216,
-0.018554314970970154,
-0.015592042356729507,
-0.05751532316207886,
0.044877879321575165,
0.02972681075334549,
-0.008792118169367313,
0.006853658705949783,
0.09361188858747482,
0... |
passage: Aprendizaje con atributos: las clases van acompañadas de una descripción estructurada predefinida. Por ejemplo, para las descripciones de aves, podría incluir "cabeza roja", "pico largo". Estos atributos suelen estar organizados de forma compositiva estructurada y tener en cuenta esa estructura mejora el apren... | [
-0.029977338388562202,
0.03310434892773628,
-0.027528127655386925,
0.03921693190932274,
0.0393369160592556,
-0.03105193004012108,
-0.010143891908228397,
-0.042041607201099396,
0.050047457218170166,
0.05903751775622368,
-0.022100292146205902,
0.013662640005350113,
0.08937952667474747,
0.056... |
passage: Aprendizaje a partir de descripciones textuales: Como se ha señalado anteriormente, ésta ha sido la dirección clave que se ha seguido en el procesamiento del lenguaje natural. En este caso, se considera que las etiquetas de clase tienen un significado y a menudo se completan con definiciones o descripciones de... | [
0.007922407239675522,
0.04623115807771683,
-0.029309332370758057,
0.025307098403573036,
0.026074623689055443,
-0.00814677681773901,
-0.02426961250603199,
-0.03691015765070915,
0.04456507787108421,
0.05358211323618889,
-0.027574611827731133,
0.014493637718260288,
0.10372352600097656,
0.0467... |
passage: Similitud entre clases: Aquí, las clases están incrustadas en un espacio continuo. Un clasificador sin ejemplos previos puede predecir que una muestra corresponde a alguna posición en ese espacio, y la clase incrustada más cercana se utiliza como clase predicha, aunque no se hayan observado tales muestras dura... | [
0.0005529939662665129,
0.047343913465738297,
-0.034274306148290634,
0.0423152856528759,
0.03465740755200386,
-0.03301988169550896,
-0.029028108343482018,
-0.01772836409509182,
0.04645421728491783,
0.015251695178449154,
-0.0020418025087565184,
-0.010237686336040497,
0.07974374294281006,
0.0... |
passage: La configuración ZSL anterior supone que, en el momento de la prueba, sólo se dan muestras de Zero-shot, es decir, muestras de nuevas clases no vistas. En el ZSL generalizado, en el momento de la prueba pueden aparecer muestras tanto de clases nuevas como conocidas. Esto plantea nuevos retos para los clasifica... | [
-0.0009166566305793822,
0.02653307281434536,
0.024075493216514587,
0.032491568475961685,
0.039497923105955124,
-0.03630935773253441,
-0.05306776612997055,
-0.043824631720781326,
0.04326220229268074,
0.03843498229980469,
0.0025463879574090242,
-0.0029204764869064093,
0.0853283703327179,
0.0... |
passage: Un módulo de compuerta, se entrena primero para decidir si una muestra dada pertenece a una clase nueva o a una antigua, y luego, en el momento de la inferencia, emite una decisión dura, o una decisión probabilística suave | [
-0.011730308644473553,
0.0207887701690197,
0.0027958021964877844,
0.04625536501407623,
0.06127667799592018,
-0.0018867015605792403,
-0.02856936864554882,
-0.02192222699522972,
0.029853349551558495,
0.01637769490480423,
-0.012455339543521404,
0.012836693786084652,
0.06416288763284683,
0.066... |
passage: Un módulo generativo, que se entrena para generar una representación de características de las clases no vistas —un clasificador estándar puede entonces entrenarse en muestras de todas las clases, vistas y no vistas. | [
-0.01629151776432991,
0.010903016664087772,
-0.01716781221330166,
0.03963195160031319,
0.058664944022893906,
-0.00940495915710926,
-0.03902304545044899,
-0.03708939999341965,
0.03733370453119278,
0.02469785138964653,
-0.019292518496513367,
0.0027780027594417334,
0.09913641214370728,
0.0546... |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.