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 Deep Learning

Deep Learning - AI and technology concept illustration

© 2025 / unsplash.com

Le deep learning est un sous-ensemble de l'apprentissage automatique qui utilise des réseaux neuronaux multicouches pour analyser des données et reconnaître des motifs. Son concept central consiste à imiter la structure et la fonction du cerveau humain, en utilisant de grandes quantités de données et de puissance de calcul pour apprendre des représentations de caractéristiques.

L'importance du deep learning réside dans sa capacité à traiter des données complexes. Par rapport aux algorithmes d'apprentissage automatique traditionnels, le deep learning peut extraire automatiquement des caractéristiques, réduisant ainsi la nécessité d'une intervention manuelle. Cela a conduit à des performances supérieures dans diverses applications, telles que les véhicules autonomes et l'analyse d'images médicales. À l'avenir, avec l'avancement du matériel informatique et la prolifération des big data, on s'attend à ce que la portée des applications de deep learning s'élargisse encore davantage.

Cependant, le deep learning présente également certains inconvénients, notamment une forte demande en données, des processus d'entraînement pouvant prendre beaucoup de temps et une faible interprétabilité des modèles. De plus, le problème du surapprentissage est particulièrement prononcé lorsque les données sont insuffisantes. Par conséquent, il est crucial de tenir compte de ces aspects dans les applications pratiques.