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 l'apprentissage automatique (ML)

Machine Learning (ML) - AI and technology concept illustration

© 2025 / unsplash.com

L'apprentissage automatique (Machine Learning, ML) est une branche de l'intelligence artificielle qui implique l'utilisation d'algorithmes et de modèles statistiques pour permettre aux systèmes informatiques d'effectuer des tâches spécifiques sans instructions explicites. Son noyau consiste à apprendre et à améliorer les performances par des méthodes basées sur les données.

Le fonctionnement de l'apprentissage automatique se divise généralement en apprentissage supervisé, apprentissage non supervisé et apprentissage par renforcement. Dans l'apprentissage supervisé, le système est entraîné avec des données étiquetées pour prédire des résultats pour des données inconnues ; dans l'apprentissage non supervisé, le système doit découvrir des modèles dans des données non étiquetées. L'apprentissage par renforcement met l'accent sur l'interaction entre l'agent et l'environnement par le biais d'essais et d'erreurs.

L'importance de l'apprentissage automatique est évidente dans son impact sur diverses industries, en particulier dans la santé, la finance et le commerce de détail. Il aide les entreprises à accroître leur efficacité, à réduire les coûts et à améliorer l'expérience client. Cependant, l'apprentissage automatique présente également des inconvénients, tels que la dépendance à de grands volumes de données, l'interprétabilité des modèles et des problèmes potentiels de biais.

À l'avenir, l'apprentissage automatique continuera d'évoluer, conduisant à des modèles et des algorithmes plus complexes, à des sources de données plus riches et à une plus grande puissance de calcul. Divers secteurs explorent des applications innovantes de l'apprentissage automatique, et des technologies et solutions disruptives pourraient émerger à l'avenir.

Les considérations importantes incluent l'assurance qualité et représentativité des données, la protection de la vie privée des utilisateurs et l'évaluation et la réglementation appropriées des algorithmes.