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 JSONL / JSON-lines

JSONL, ou JSON Lines, est un format pour stocker des données structurées où chaque enregistrement est une ligne séparée au format JSON. Ce format est avantageux pour traiter de grands ensembles de données, permettant un traitement par flux et une lecture ligne par ligne. JSONL est largement utilisé dans le traitement des big data, l'enregistrement des journaux et l'apprentissage automatique.

La conception de JSONL vise à fournir un moyen simple et efficace de traiter des données JSON. Contrairement aux fichiers JSON traditionnels, chaque ligne d'un fichier JSONL est un objet JSON complet, ce qui rend la lecture incrémentielle des données simple. Les utilisateurs peuvent lire et analyser des données ligne par ligne sans avoir besoin de charger l'intégralité du fichier en mémoire, ce qui est particulièrement important pour les grands ensembles de données.

Dans les applications pratiques, le format JSONL est couramment utilisé pour l'échange et le stockage de données, par exemple lors du transfert de données d'un système à un autre dans des pipelines de données. La nature ligne par ligne de JSONL aide à garantir l'intégrité et la cohérence des données. De plus, de nombreux outils et cadres modernes de traitement de données (comme Apache Kafka, Spark, etc.) prennent en charge le format JSONL, en faisant un outil important pour les scientifiques des données et les ingénieurs.

À l'avenir, à mesure que la quantité de données continue d'augmenter, le format JSONL pourrait devenir de plus en plus répandu dans le stockage et le traitement des données, en particulier dans les scénarios nécessitant un transfert et un traitement efficaces des données. Cependant, l'utilisation de JSONL présente également certaines considérations, comme la complexité relative de l'analyse des structures imbriquées complexes. De plus, les fichiers JSONL n'ont pas de mécanisme standard de description des métadonnées, ce qui peut affecter l'interprétabilité des données.