TopAIToolsTopAITools

Glossary

0-9
2-stage detector9-layer network5G + AI0-shot learning6DoF pose estimation3D convolution8-bit quantization7D representation1-shot learning4D data
A
AlgorithmAutoencoderAGI / Artificial General IntelligenceAttentionArtificial Intelligence (AI)
B
BERTBatch NormalizationBackpropagationBiasBoosting
C
ChatbotClassifier / ClassificationCNN / Convolutional Neural NetworkCross-ValidationClustering
D
Deterministic ModelDiscriminative ModelDeepfakeData AugmentationDeep Learning
E
EpochEncoderEnsemble LearningEmbeddingExplainable AI (XAI)
F
Foundation ModelFeature ExtractionFusion / Multimodal FusionForward PropagationFine-tuning
G
GAN / Generative Adversarial NetworkGenerative AIGradient DescentGroundingGraph Neural Network (GNN)
H
HyperparameterHidden LayerHallucinationHeuristicHierarchical Model
I
Instance / SampleInstruction tuningIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JAXJoint EmbeddingJSONL / JSON-linesJuxtapositionJittering
K
Knowledge DistillationKL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKernel Trick
L
Large Language Model (LLM)Latent VariableLoss FunctionLearning RateLSTM / Long Short-Term Memory
M
ModelMachine Learning (ML)Meta-learningMulti-head AttentionMultimodal / Multimodality
N
Neural NetworkNovelty Detection / Anomaly DetectionNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNormalization
O
OptimizerOnline LearningObjective FunctionOverfittingOne-hot Encoding
P
ParameterPromptPolicy / Reinforcement Learning PolicyPoolingPretraining
Q
QueryQuality EstimationQuantizationQ-learningQueue / Buffer
R
Representation LearningReinforcement Learning (RL)Retrieval Augmented Generation (RAG)RegularizationRNN / Recurrent Neural Network
S
Self-Supervised LearningSupervised LearningSamplingSequence ModelingSoftmax
T
TokenizerTransfer LearningTransformerTuning / Hyperparameter TuningTraining Data
U
Unsupervised LearningUncertainty EstimationUnderfittingUniversal Approximation TheoremU-Net
V
Variational Autoencoder (VAE)Vector EmbeddingValidation SetVanishing / Exploding GradientVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
X-axis / feature axisXOR problemXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisYield (model yield / throughput)Yoga of AIY-transform / YUVYAGNI (You Aren't Gonna Need It)
Z
Zero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZ-score NormalizationZygosity in augmentationZero-gradient phenomenon

Qu'est-ce que l'Augmentation de Données

L'augmentation de données est une technique utilisée pour accroître la diversité des ensembles de données d'entraînement, en particulier dans le domaine de l'apprentissage automatique et de l'apprentissage profond. En appliquant des transformations telles que la rotation, le redimensionnement, le recadrage et l'ajout de bruit aux échantillons existants, de nouveaux échantillons peuvent être générés, améliorant ainsi la capacité de généralisation du modèle et réduisant le sur-apprentissage.


L'importance de l'augmentation de données se reflète dans plusieurs aspects. Dans les situations où les données sont rares, elle peut efficacement augmenter la quantité de données disponibles pour l'entraînement, améliorant ainsi les performances du modèle. De plus, en introduisant de la diversité, les échantillons augmentés aident le modèle à mieux apprendre les caractéristiques clés, améliorant ainsi ses performances sur des échantillons non vus.


En termes de fonctionnement, les techniques d'augmentation de données peuvent être classées en plusieurs types, y compris les transformations géométriques, les transformations de couleur et l'injection de bruit. Les transformations géométriques telles que la rotation et le retournement peuvent changer la perspective des images ; les transformations de couleur ajustent la luminosité et le contraste, modifiant la distribution des couleurs des images ; l'injection de bruit ajoute du bruit aléatoire aux images, renforçant ainsi la robustesse du modèle face à des données imparfaites.


Les applications typiques incluent la reconnaissance d'images, le traitement du langage naturel et l'analyse audio. Par exemple, dans la reconnaissance d'images, faire pivoter et recadrer des images peut générer davantage d'échantillons d'entraînement, améliorant ainsi la précision des modèles de classification. Dans le traitement du langage naturel, on peut réaliser un augmentation de données textuelles par le biais de la substitution de synonymes et de la restructuration de phrases.


La tendance future de l'augmentation de données pourrait s'orienter vers des approches plus automatisées et intelligentes, comme l'utilisation de réseaux antagonistes génératifs (GAN) pour générer des échantillons augmentés de haute qualité. De plus, avec l'émergence de l'apprentissage auto-supervisé, l'augmentation de données sera plus étroitement intégrée à des méthodes d'apprentissage non supervisées.


Bien que l'augmentation de données présente des avantages significatifs pour améliorer les performances du modèle, elle présente également des inconvénients. Une augmentation inappropriée peut introduire des échantillons erronés, entraînant une diminution des performances du modèle. De plus, une augmentation excessive des données peut amener le modèle à apprendre des caractéristiques inutiles, affectant ses performances sur des données réelles. Par conséquent, lors de l'utilisation de l'augmentation de données, il est essentiel de choisir soigneusement des stratégies d'augmentation appropriées et de procéder à des évaluations appropriées.