# ES HINTS
## TERM MAPPINGS
These are preferred terminology choices for this language. Use them whenever they sound natural; adapt freely if context requires.

- 'accuracy' -> 'exactitud'
- 'activation function' -> 'función de activación'
- 'artificial intelligence' -> 'inteligencia artificial'
- 'AUC' -> 'AUC'
- 'AUC (Area under the ROC curve)' -> 'AUC (área bajo la curva ROC)'
- 'backpropagation' -> 'propagación inversa'
- 'batch' -> 'lote'
- 'batch size' -> 'tamaño del lote'
- 'bias (ethics/fairness)' -> 'sesgo (ética/equidad)'
- 'bias (math) or bias term' -> 'ordenada al origen (matemática) o término de sesgo'
- 'bias in ethics and fairness' -> 'sesgo en ética y equidad'
- 'bias term' -> 'término de sesgo'
- 'binary classification' -> 'Clasificación binaria'
- 'bucketing' -> 'Agrupamiento'
- 'categorical' -> 'categórico'
- 'categorical data' -> 'datos categóricos'
- 'class' -> 'clase'
- 'class-imbalanced dataset' -> 'conjunto de datos con desequilibrio de clases'
- 'class-imbalanced datasets' -> 'conjuntos de datos con desequilibrio de clases'
- 'classification' -> 'clasificación'
- 'classification model' -> 'modelo de clasificación'
- 'classification threshold' -> 'umbral de clasificación'
- 'classifier' -> 'clasificador'
- 'clipping' -> 'recorte'
- 'confusion matrix' -> 'matriz de confusión'
- 'continuous feature' -> 'atributo continuo'
- 'convergence' -> 'convergencia'
- 'data set or dataset' -> 'conjunto de datos (data set o dataset)'
- 'DataFrame' -> 'DataFrame'
- 'dataset' -> 'conjunto de datos'
- 'deep learning' -> 'aprendizaje profundo'
- 'deep model' -> 'modelo profundo'
- 'dense feature' -> 'atributo denso'
- 'depth' -> 'depth'
- 'discrete feature' -> 'atributo discreto'
- 'discrete features' -> 'atributos discretos'
- 'dynamic' -> 'dinámico'
- 'dynamic model' -> 'modelo dinámico'
- 'early stopping' -> 'Interrupción anticipada'
- 'embedding layer' -> 'Capa de embedding'
- 'embedding layers' -> 'capas de incorporación'
- 'epoch' -> 'época'
- 'example' -> 'ejemplo'
- 'false negative (FN)' -> 'falso negativo (FN)'
- 'false negatives' -> 'falsos negativos'
- 'false positive (FP)' -> 'Falso positivo (FP)'
- 'false positive rate' -> 'tasa de falsos positivos'
- 'false positive rate (FPR)' -> 'tasa de falsos positivos (FPR)'
- 'false positives' -> 'falsos positivos'
- 'feature' -> 'función'
- 'feature cross' -> 'combinación de atributos'
- 'feature crosses' -> 'combinaciones de atributos'
- 'feature engineering' -> 'ingeniería de atributos.'
- 'feature set' -> 'conjunto de atributos'
- 'feature vector' -> 'vector de atributos'
- 'feedback loop' -> 'ciclo de retroalimentación'
- 'generalization' -> 'generalización'
- 'generalization curve' -> 'Curva de generalización'
- 'gradient descent' -> 'descenso de gradientes'
- 'ground truth' -> 'Verdad fundamental'
- 'hidden layer' -> 'Capa oculta'
- 'hidden layer(s)' -> 'capas ocultas'
- 'hyperparameter' -> 'hiperparámetro'
- 'independently and identically distributed (i.i.d)' -> 'independiente e idénticamente distribuido (i.i.d.)'
- 'inference' -> 'Inferencia'
- 'input layer' -> 'capa de entrada'
- 'interpretability' -> 'interpretabilidad'
- 'iteration' -> 'iteración'
- 'L0regularization' -> 'Regularización L0'
- 'L1loss' -> 'pérdida L1'
- 'L1regularization' -> 'regularización L1'
- 'L2loss' -> 'pérdida L2'
- 'L2regularization' -> 'regularización L2'
- 'label' -> 'etiqueta'
- 'labeled example' -> 'ejemplo etiquetado'
- 'lambda' -> 'lambda'
- 'layer' -> 'oculta'
- 'learning rate' -> 'Tasa de aprendizaje'
- 'linear' -> 'linear'
- 'linear model' -> 'modelo lineal'
- 'linear models' -> 'modelos lineales'
- 'linear regression' -> 'regresión lineal'
- 'Log Loss' -> 'pérdida logística'
- 'log-odds' -> 'Logaritmo de probabilidad'
- 'logistic regression' -> 'regresión logística'
- 'loss' -> 'pérdida'
- 'loss curve' -> 'Curva de pérdida'
- 'loss function' -> 'función de pérdida'
- 'machine learning' -> 'aprendizaje automático'
- 'majority class' -> 'clase mayoritaria'
- 'mini-batch' -> 'minilote'
- 'minority class' -> 'clase minoritaria'
- 'model' -> 'modelo'
- 'multi-class classification' -> 'clasificación de clases múltiples'
- 'negative class' -> 'clase negativa'
- 'negative classes' -> 'clases negativas'
- 'neural network' -> 'neuronal prealimentada'
- 'neural networks' -> 'redes neuronales'
- 'neuron' -> 'neurona'
- 'node (neural network)' -> 'nodo (red neuronal)'
- 'nonlinear' -> 'no lineal'
- 'nonstationarity' -> 'no estacionariedad'
- 'normalization' -> 'Normalización'
- 'numerical data' -> 'datos numéricos'
- 'offline' -> 'Sin conexión'
- 'offline inference' -> 'inferencia sin conexión'
- 'one-hot encoding' -> 'codificación one-hot'
- 'one-hot vector' -> 'vector de un solo 1'
- 'one-vs.-all' -> 'uno frente a todos'
- 'online' -> 'en línea'
- 'online inference' -> 'inferencia en línea'
- 'output layer' -> 'capa de salida'
- 'output layers' -> 'capas de salida'
- 'overfitting' -> 'sobreajuste'
- 'pandas' -> 'pandas'
- 'parameter' -> 'parámetro'
- 'positive class' -> 'clase positiva'
- 'positive classes' -> 'clases positivas'
- 'post-processing' -> 'posprocesamiento'
- 'precision' -> 'precision'
- 'prediction' -> 'predicción'
- 'proxy labels' -> 'etiquetas de proxy'
- 'RAG' -> 'RAG'
- 'rater' -> 'evaluador'
- 'recall' -> 'recall'
- 'Rectified Linear Unit (ReLU)' -> 'Unidad lineal rectificada (ReLU)'
- 'regression model' -> 'modelo de regresión'
- 'regularization' -> 'regularización'
- 'regularization rate' -> 'tasa de regularización'
- 'ReLU' -> 'ReLU'
- 'retrieval-augmented generation' -> 'generación aumentada por recuperación'
- 'retrieval-augmented generation (RAG)' -> 'Generación mejorada por recuperación (RAG)'
- 'ROC (receiver operating characteristic) Curve' -> 'Curva ROC (característica operativa del receptor)'
- 'ROC curve' -> 'curva ROC'
- 'Root Mean Squared Error (RMSE)' -> 'Raíz cuadrada del error cuadrático medio (RMSE)'
- 'sigmoid function' -> 'función sigmoidea'
- 'softmax' -> 'softmax'
- 'sparse feature' -> 'atributo disperso'
- 'sparse representation' -> 'representación dispersa'
- 'sparse vector' -> 'vector disperso'
- 'squared loss' -> 'Pérdida al cuadrado'
- 'static' -> 'static'
- 'static inference' -> 'Inferencia estática'
- 'static model' -> 'modelo estático'
- 'stationarity' -> 'Estacionariedad'
- 'Stochastic Gradient Descent (SGD)' -> 'Descenso de gradientes estocástico (SGD)'
- 'supervised learning' -> 'aprendizaje supervisado'
- 'supervised machine learning' -> 'aprendizaje automático supervisado'
- 'synthetic feature' -> 'atributo sintético'
- 'synthetic features' -> 'atributos sintéticos'
- 'test loss' -> 'Pérdida de prueba'
- 'training' -> 'entrenamiento'
- 'training loss' -> 'Pérdida de entrenamiento'
- 'training set' -> 'conjunto de entrenamiento'
- 'training-serving skew' -> 'Sesgo entre el entrenamiento y la entrega'
- 'true negative (TN)' -> 'verdadero negativo (VN)'
- 'true negatives' -> 'verdaderos negativos'
- 'true positive (TP)' -> 'verdadero positivo (VP)'
- 'true positive rate' -> 'tasa de verdaderos positivos'
- 'true positive rate (TPR)' -> 'tasa de verdaderos positivos (TVP)'
- 'true positives' -> 'verdaderos positivos'
- 'underfitting' -> 'Subajuste'
- 'unlabeled example' -> 'ejemplo sin etiqueta'
- 'unsupervised machine learning' -> 'aprendizaje automático no supervisado'
- 'validation' -> 'validación'
- 'validation dataset' -> 'conjunto de datos de validación'
- 'validation loss' -> 'Pérdida de validación'
- 'validation set' -> 'conjunto de validación'
- 'weight' -> 'peso'
- 'weighted sum' -> 'suma ponderada'
- 'Z-score normalization' -> 'normalización de la puntuación Z'
