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 que le Boosting

Le boosting est une technique d'ensemble d'apprentissage automatique qui vise à améliorer la précision des modèles prédictifs. Il combine plusieurs apprenants faibles, typiquement des arbres de décision, en un seul apprenant fort pour augmenter la performance prédictive. Cette méthode est particulièrement efficace pour les ensembles de données déséquilibrés, car elle met l'accent sur l'apprentissage à partir des échantillons mal classés.

Le fonctionnement du boosting implique un processus itératif où l'algorithme se concentre sur les points de données que le modèle précédent a mal classés. De cette manière, le boosting peut réduire efficacement le biais et la variance, améliorant ainsi les performances globales du modèle. Les algorithmes de boosting les plus populaires incluent AdaBoost, Gradient Boosting et XGBoost.

Dans le domaine du marketing, le boosting peut également faire référence à des stratégies utilisées pour augmenter la visibilité et l'influence d'une marque, souvent par le biais de publicités sur les réseaux sociaux et d'optimisation des moteurs de recherche. Ces stratégies visent à améliorer l'engagement des clients et les taux de conversion, stimulant ainsi les ventes et la croissance des entreprises.

À l'avenir, les méthodes de boosting pourraient de plus en plus s'intégrer à des technologies avancées d'apprentissage automatique, telles que l'apprentissage profond, pour créer des modèles plus complexes et puissants. Cependant, il est important de noter que, bien que les techniques de boosting offrent de nombreux avantages, elles peuvent également conduire à un surapprentissage, en particulier lors de la gestion de données bruitées.