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 Clustering

Le clustering est une technique d'analyse de données largement utilisée dans l'apprentissage automatique et l'exploration de données. Son objectif principal est de regrouper un ensemble d'objets en plusieurs catégories, de sorte que les objets au sein de la même catégorie soient similaires entre eux, tandis que les objets de différentes catégories soient le plus différents possible. Cette technique est souvent employée dans l'analyse exploratoire des données pour identifier des schémas et des structures au sein des données.

Il existe plusieurs algorithmes disponibles pour le clustering, notamment K-means, le clustering hiérarchique et DBSCAN. Chaque algorithme a ses propres avantages et inconvénients, selon l'application. Par exemple, l'algorithme K-means est adapté aux grands ensembles de données, mais nécessite un nombre de clusters prédéfini, tandis que DBSCAN ne nécessite pas cette hypothèse et est idéal pour traiter des données bruitées.

Les applications du clustering sont vastes, englobant la segmentation de marché, l'analyse des réseaux sociaux, le traitement d'images et le diagnostic médical. À mesure que le volume et la complexité des données continuent d'augmenter, il est prévu que les techniques de clustering progressent encore, en s'intégrant à des technologies émergentes telles que l'apprentissage profond pour améliorer la précision et l'efficacité de l'analyse des données.

Cependant, le clustering présente également plusieurs défis, tels que la sélection de l'algorithme de clustering approprié, la détermination des paramètres optimaux et l'évaluation de l'efficacité des résultats du clustering. Ainsi, une compréhension approfondie des techniques de clustering et une expérience pratique sont cruciales pour les data scientists.