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 la descente de gradient

La descente de gradient est un algorithme d'optimisation largement utilisé en apprentissage automatique et en statistique. Son objectif principal est de minimiser une fonction de manière itérative, comme une fonction de coût ou de perte.

L'idée centrale de la descente de gradient est de calculer le gradient de la fonction à un point donné, ce qui indique la direction de la descente la plus abrupte. En mettant à jour les paramètres dans cette direction, l'algorithme se rapproche progressivement de la solution optimale.

Dans des scénarios typiques, la descente de gradient est utilisée dans diverses applications, notamment l'apprentissage profond, la régression linéaire et la régression logistique. Avec l'émergence des grandes données et des capacités de calcul, des variantes de la descente de gradient, comme la descente de gradient stochastique, la descente de gradient par mini-lots et le moment, ont été introduites pour améliorer l'efficacité et la vitesse de convergence.

À l'avenir, la descente de gradient continuera probablement à évoluer, intégrant d'autres techniques d'optimisation pour traiter des problèmes plus complexes. Cependant, malgré son efficacité, elle présente certains inconvénients, tels que la possibilité de se retrouver coincé dans des minima locaux et la sensibilité au taux d'apprentissage. Par conséquent, des ajustements et des choix prudents sont nécessaires lors de l'application de cette méthode.