Glossary

0-9

2-stage detector 9-layer network 5G + AI 0-shot learning 6DoF pose estimation 3D convolution 8-bit quantization 7D representation 1-shot learning 4D data

A

Algorithm Autoencoder AGI / Artificial General Intelligence Attention Artificial Intelligence (AI)

B

BERT Batch Normalization Backpropagation Bias Boosting

C

Chatbot Classifier / Classification CNN / Convolutional Neural Network Cross-Validation Clustering

D

Deterministic Model Discriminative Model Deepfake Data Augmentation Deep Learning

E

Epoch Encoder Ensemble Learning Embedding Explainable AI (XAI)

F

Foundation Model Feature Extraction Fusion / Multimodal Fusion Forward Propagation Fine-tuning

G

GAN / Generative Adversarial Network Generative AI Gradient Descent Grounding Graph Neural Network (GNN)

H

Hyperparameter Hidden Layer Hallucination Heuristic Hierarchical Model

I

Instance / Sample Instruction tuning Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

JAX Joint Embedding JSONL / JSON-lines Juxtaposition Jittering

K

Knowledge Distillation KL Divergence (Kullback–Leibler Divergence)K-means Clustering K-Shot Learning Kernel Trick

L

Large Language Model (LLM)Latent Variable Loss Function Learning Rate LSTM / Long Short-Term Memory

M

Model Machine Learning (ML)Meta-learning Multi-head Attention Multimodal / Multimodality

N

Neural Network Novelty Detection / Anomaly Detection NLP / Natural Language Processing NLU / Natural Language Understanding Normalization

O

Optimizer Online Learning Objective Function Overfitting One-hot Encoding

P

Parameter Prompt Policy / Reinforcement Learning Policy Pooling Pretraining

Q

Query Quality Estimation Quantization Q-learning Queue / Buffer

R

Representation Learning Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Regularization RNN / Recurrent Neural Network

S

Self-Supervised Learning Supervised Learning Sampling Sequence Modeling Softmax

T

Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning Training Data

U

Unsupervised Learning Uncertainty Estimation Underfitting Universal Approximation Theorem U-Net

V

Variational Autoencoder (VAE)Vector Embedding Validation Set Vanishing / Exploding Gradient Vision Transformer (ViT)

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

X-axis / feature axis XOR problem XAI / Explainable AI XLM XLNet

Y

Y-axis / feature axis Yield (model yield / throughput)Yoga of AI Y-transform / YUV YAGNI (You Aren't Gonna Need It)

Z

Zero-shot Learning / Zero-shot inference Zero-centric / Zero-bias initialization Z-score Normalization Zygosity in augmentation Zero-gradient phenomenon

Qu'est-ce qu'un Algorithme

Un algorithme est un ensemble de règles et d'étapes utilisées pour résoudre des problèmes ou exécuter des tâches. Il trouve son origine dans le mot grec et joue un rôle crucial en informatique. Des algorithmes de tri et de recherche basiques aux modèles complexes d'apprentissage automatique, les algorithmes sont appliqués dans divers domaines tels que la finance, la santé et le transport.

Le fonctionnement d'un algorithme se compose généralement de trois parties : l'entrée, le traitement et la sortie. Par exemple, un algorithme de tri prend un tableau non trié comme entrée, le traite et produit un tableau trié en sortie.

Les algorithmes sont largement utilisés dans les moteurs de recherche, les recommandations sur les réseaux sociaux, l'analyse de données et l'intelligence artificielle. Par exemple, le moteur de recherche Google utilise des algorithmes complexes pour déterminer quelles pages Web sont les plus pertinentes pour les requêtes des utilisateurs, fournissant ainsi les meilleurs résultats de recherche.

À mesure que la technologie progresse, la recherche et l'application des algorithmes continueront d'évoluer, en particulier dans les domaines de l'intelligence artificielle et des big data. Les algorithmes deviendront plus complexes et intelligents, capables de traiter des ensembles de données plus importants et de fournir des résultats plus précis.

Bien que les algorithmes offrent des avantages tels que l'efficacité, la répétabilité et la précision, ils présentent également des limites, telles que la dépendance à la qualité des données et les biais potentiels. Il est donc crucial d'évaluer soigneusement leur applicabilité et leurs risques lors de l'utilisation des algorithmes.

Lors de la conception et de l'utilisation d'algorithmes, il est essentiel de garantir la transparence et l'interprétabilité. Cela aide les utilisateurs à comprendre le processus décisionnel de l'algorithme, augmentant ainsi la confiance dans les résultats de l'algorithme.