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 l'Apprentissage par Ensemble

L'Apprentissage par Ensemble est une technique d'apprentissage automatique qui combine les prévisions de plusieurs modèles pour améliorer la performance et la précision globales. L'idée centrale est d'agréger les sorties de plusieurs apprenants faibles, qui individuellement peuvent avoir des performances médiocres, pour créer un apprenant fort qui réduit la variance et le biais.

Les deux principaux types de méthodes d'apprentissage par ensemble sont le Bagging et le Boosting. Le Bagging génère plusieurs sous-modèles et combine leurs résultats par vote, tandis que le Boosting optimise le processus d'apprentissage en ajustant itérativement les poids des modèles. Les algorithmes courants incluent Random Forest, AdaBoost et Gradient Boosting Machines (GBM).

L'importance de l'Apprentissage par Ensemble réside dans le fait qu'il améliore la capacité de généralisation d'un modèle et réduit le risque de surapprentissage. Il excelle dans diverses applications réelles, y compris la prévision financière, la reconnaissance d'images et la classification de textes. À mesure que les ensembles de données deviennent plus grands et que la puissance de calcul augmente, l'avenir de l'apprentissage par ensemble semble prometteur.

Cependant, il présente également des inconvénients, tels que la nécessité de plus de ressources informatiques et de temps, car plusieurs modèles doivent être entraînés. De plus, les modèles d'ensemble ont souvent une interprétabilité réduite, surtout lorsqu'ils utilisent des modèles complexes, ce qui peut entraîner une diminution de la transparence des résultats. Par conséquent, lors de l'utilisation de l'apprentissage par ensemble, il est essentiel de peser ses avantages et ses inconvénients par rapport aux applications et aux exigences spécifiques.