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 Modèle Discriminatif

Un Modèle Discriminatif est un type de modèle statistique utilisé en apprentissage automatique pour classer des points de données en fonction de leurs caractéristiques. Contrairement aux modèles génératifs qui tentent de modéliser la distribution des données, les modèles discriminatifs se concentrent sur l'apprentissage de la frontière entre différentes classes.

Un des exemples les plus courants de modèles discriminatifs est la régression logistique, qui est particulièrement utilisée pour les tâches de classification binaire. D'autres exemples incluent les Machines à Vecteurs de Support (SVM), les arbres de décision et les réseaux de neurones en apprentissage profond. Ces modèles sont largement utilisés dans divers domaines tels que la reconnaissance d'image, la classification de texte et la bioinformatique.

Les principaux avantages des modèles discriminatifs incluent leur efficacité et leur précision. Ils ont généralement de meilleures performances en termes de précision de classification que les modèles génératifs, car ils se concentrent sur l'apprentissage de la frontière de décision. Cependant, les modèles discriminatifs peuvent être sensibles au bruit dans les données d'entraînement, en particulier dans des cas de jeux de données déséquilibrés. De plus, ils peuvent avoir des difficultés à capturer les caractéristiques de distribution sous-jacentes des données.

À mesure que l'apprentissage automatique continue d'évoluer, les applications des modèles discriminatifs s'élargissent. À l'avenir, les modèles discriminatifs combinés avec des techniques d'apprentissage profond pourraient exceller dans des tâches complexes.