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'une Instance / Échantillon

Les termes 'Instance' et 'Échantillon' sont utilisés dans divers domaines, notamment en informatique, en statistique et en analyse de données. En informatique, une 'instance' fait référence à un objet spécifique créé à partir d'une classe, tandis qu'un 'échantillon' représente un sous-ensemble de données extrait d'un ensemble de données plus large pour analyse et inférence.

En apprentissage automatique, une instance peut être considérée comme un point de données unique nécessaire à l'entraînement du modèle, tandis qu'un échantillon fait référence à une partie de l'ensemble de données choisie pour l'entraînement, la validation ou le test du modèle. Par exemple, chaque ligne d'un ensemble de données peut être considérée comme une instance, tandis que des lignes spécifiques choisies dans l'ensemble de données servent d'échantillons pour la recherche.

L'application de ces concepts est cruciale dans la recherche scientifique et le développement technique. En statistique, les chercheurs doivent prélever des échantillons d'une population pour inférer des caractéristiques, rendant la représentativité des échantillons vitale. En programmation, le processus d'instantiation des objets est essentiel pour comprendre la programmation orientée objet.

Avec le développement rapide de la science des données et de l'apprentissage automatique, comprendre les concepts d'instances et d'échantillons devient de plus en plus important. À l'avenir, au fur et à mesure que la technologie de l'intelligence artificielle continue de progresser, la manière dont les instances et les échantillons sont utilisés affectera directement la performance des modèles et l'efficacité de la recherche.