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 Juxtaposition?

La juxtaposition est un terme dérivé du latin, signifiant 'placer côte à côte'. Il est couramment utilisé dans les domaines de l'art, de la littérature, de la photographie et du design pour mettre en évidence les contrastes ou les similitudes entre deux éléments ou plus. Cette technique permet aux spectateurs d'effectuer des comparaisons visuelles ou conceptuelles, suscitant des réflexions plus profondes.

Dans l'histoire de l'art, la juxtaposition peut être retracée jusqu'à de nombreux grands artistes et mouvements, tels que l'impressionnisme et le surréalisme. En plaçant des œuvres de styles, couleurs ou thèmes différents ensemble, les artistes peuvent créer de nouvelles significations et émotions. Par exemple, Picasso a défié la représentation traditionnelle dans ses œuvres cubistes en juxtaposant différentes perspectives et éléments.

Dans la littérature, la juxtaposition est souvent utilisée pour contraster des personnages, des intrigues ou des thèmes, augmentant la profondeur de la narration. Par exemple, Charles Dickens mettait souvent en avant les injustices sociales en juxtaposant les vies des riches et des pauvres dans ses romans.

Avec l'avènement des médias numériques, l'application de la juxtaposition continue de s'étendre. Les designers et les créatifs exploitent cette technique pour créer des visuels frappants sur les réseaux sociaux, dans la publicité et la promotion de marques.

Cependant, il convient de noter que l'utilisation de la juxtaposition a également ses limites. Un contraste excessif ou inapproprié peut entraîner de la confusion ou des malentendus, il est donc essentiel de considérer soigneusement ses effets.