Ir al contenido principal

[NLP][AI] Differences between the n-gram approach and the neural approach in Large Language Models (LLMs)

 Let’s explore the differences between the n-gram approach and the neural approach in Large Language Models (LLMs):

  1. N-gram Approach:

    • Definition: N-gram models use statistical and probabilistic techniques to determine the probability of a given sequence of words occurring in a sentence.
    • Basic Idea: An n-gram is a contiguous sequence of n items (usually words) from a given text sample.
    • Assumption: The probability of the next word in a sequence depends only on a fixed-size window of previous words (context).
    • Strengths:
      • Simplicity: N-gram models are straightforward and easy to implement.
      • Efficiency: They can handle large datasets efficiently.
    • Limitations:
      • Local Context: N-grams consider only local context, which may not capture long-range dependencies.
      • Sparsity: As n increases, the number of possible n-grams grows exponentially, leading to data sparsity.
      • Fixed Context Window: The fixed context window may not adapt well to varying sentence structures.
    • Common Use: Historically used for language modeling and machine translation.

  2. Neural Approach (Neural Language Models):

    • Definition: Neural language models are based on neural networks, inspired by biological neural networks.
    • Basic Idea: These models use continuous representations (word embeddings) to make predictions.
    • Architecture: Common architectures include Recurrent Neural Networks (RNNs), Long Short-Term Memory (LSTM) networks, and Transformer-based models.
    • Strengths:
      • Long Dependencies: Neural models can leverage longer word histories, especially with RNNs or Transformers.
      • Adaptability: They learn complex patterns and adapt to various sentence structures.
      • Parameter Sharing: Parameters can be shared across similar contexts.
    • Limitations:
      • Complexity: Neural models require more computational resources and training data.
      • Overfitting: Large neural models can overfit if not properly regularized.
    • Common Use: Widely used in modern LLMs like GPT-3, BERT, and XLNet.

  3. Comparison:

    • N-gram models are simple and efficient but lack global context and struggle with sparsity.
    • Neural models capture long dependencies, adapt well, and handle complex patterns, but require more resources.
    • Hybrid Approaches: Some LLMs combine both approaches for better performance.
Etiquetas:

Comentarios

Publicar un comentario

Entradas populares de este blog

[Validación Cruzada] [Machine Learning] [Evaluación de Modelos] [Ciencia de Datos] [R Programming] [Resampling] Validación Cruzada: Concepto y Técnicas Principales

Validación Cruzada: Concepto y Técnicas Principales Validación Cruzada: Concepto y Técnicas Principales La validación cruzada es un conjunto de técnicas utilizadas para evaluar la capacidad de generalización de un modelo de machine learning. Su objetivo principal es determinar cómo de bien puede el modelo desempeñarse con datos no vistos, proporcionando una evaluación más robusta y fiable en comparación con dividir los datos en un simple conjunto de entrenamiento y prueba. Principales Técnicas de Validación Cruzada 1. K-Fold Cross Validation (Validación Cruzada K-Fold) El conjunto de datos se divide en \(k\) particiones o "pliegues" de igual tamaño. El modelo se entrena \(k\) veces: en cada iteración, un pliegue diferente se utiliza como conjunto de prueba y los \(k-1\) pliegues restantes como conjunto de entrenamiento. La métrica final (por ejemplo, precisión, F1, etc.) se c...
Publicar un comentario
Leer más

AI:LLM:GREP: Regular expressions using "grep"

The regular expression [ˆa-zA-Z], which we used to avoid embedded instances of "the", implies that there must be some single (although non-alphabetic) character before the the. We can avoid this by specifying that before the the we require either the beginning-of-line or a non-alphabetic character, and the same at the end of the line:  grep -E "(^|[^a-zA-Z])[tT]he([^a-zA-Z]|^)" wizard_of_oz  The process we just went through was based on fixing two kinds of errors: false false positives positives, strings that we incorrectly matched like other or there, and false negafalse negatives tives, strings that we incorrectly missed, like The. Addressing these two kinds of errors comes up again and again in implementing speech and language processing systems. Reducing the overall error rate for an application thus involves two antagonistic efforts:  • Increasing precision (minimizing false positives)  • Increasing recall (minimizing false negatives) Some aliases for common...
Publicar un comentario
Leer más

Encontré 42 GB de modelos de IA fosilizados en mi PC: una puesta al día honesta sobre IA local, conceptos y entornos Python en 2026

Hace tiempo que no tocaba nada de IA en mi PC, y al echar un ojo descubrí varios programas que no recordaba para qué eran y, sobre todo, modelos de hace año y medio acumulando polvo en el disco. Lo que empezó como una limpieza acabó siendo una puesta al día completa: Ollama, conceptos fundamentales, mapa del ecosistema, comparativas, y un setup de Python desde cero. Lo dejo aquí ordenado por si a alguien le sirve. 1. El punto de partida: 42 GB de modelos zombi Lo primero que encontré fue Ollama corriendo en segundo plano (ese icono pequeño en la barra de tareas que llevaba meses sin tocar). Un ollama list reveló cinco modelos descargados hacía 18 meses, ocupando casi 42 GB: llama-3-8B-programming-questions — 16 GB SuperNova-Medius-Q8_0 — 15 GB uncensored_wizard_7b — 4.1 GB llama3.2 — 2 GB llama3.1 — 4.7 GB En el mundo de la IA, 18 meses son una eternidad. Han salido Llama 3.3 y 4, Qwen 2.5 y 3, DeepSeek-V3 y R1, Gemma 3 y 4, gpt-oss... cualquiera de los nu...
Publicar un comentario
Leer más