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 le Taux d'Apprentissage?

Le taux d'apprentissage est un hyperparamètre crucial dans l'apprentissage automatique et l'apprentissage en profondeur qui détermine la vitesse d'entraînement du modèle. Il contrôle la façon dont le modèle est modifié en réponse à l'erreur estimée à chaque mise à jour des poids du modèle.

Un taux d'apprentissage bien choisi peut accélérer considérablement la convergence du modèle, tandis qu'un taux inapproprié peut entraîner une convergence lente ou même une divergence. Par exemple, un taux d'apprentissage trop élevé peut provoquer des oscillations ou une divergence du processus d'entraînement, tandis qu'un taux trop bas peut entraîner un entraînement excessivement lent.

Le choix du taux d'apprentissage dépend généralement de plusieurs facteurs, notamment la taille du jeu de données, la complexité et l'architecture du modèle. De nombreuses stratégies de planification du taux d'apprentissage, telles que la réduction du taux d'apprentissage et les taux d'apprentissage adaptatifs (comme Adam et RMSprop), ont été proposées pour optimiser les résultats de l'entraînement.

Dans la pratique, la définition du taux d'apprentissage se fait souvent par essais et erreurs, guidée par l'expérience et la validation croisée. À mesure que les algorithmes d'optimisation continuent d'évoluer, le processus de sélection du taux d'apprentissage sera probablement de plus en plus automatisé, améliorant ainsi l'efficacité et l'efficacité de l'entraînement du modèle.