TopAIToolsTopAITools

Glossary

0-9
2-stage detector9-layer network5G + AI0-shot learning6DoF pose estimation3D convolution8-bit quantization7D representation1-shot learning4D data
A
AlgorithmAutoencoderAGI / Artificial General IntelligenceAttentionArtificial Intelligence (AI)
B
BERTBatch NormalizationBackpropagationBiasBoosting
C
ChatbotClassifier / ClassificationCNN / Convolutional Neural NetworkCross-ValidationClustering
D
Deterministic ModelDiscriminative ModelDeepfakeData AugmentationDeep Learning
E
EpochEncoderEnsemble LearningEmbeddingExplainable AI (XAI)
F
Foundation ModelFeature ExtractionFusion / Multimodal FusionForward PropagationFine-tuning
G
GAN / Generative Adversarial NetworkGenerative AIGradient DescentGroundingGraph Neural Network (GNN)
H
HyperparameterHidden LayerHallucinationHeuristicHierarchical Model
I
Instance / SampleInstruction tuningIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JAXJoint EmbeddingJSONL / JSON-linesJuxtapositionJittering
K
Knowledge DistillationKL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKernel Trick
L
Large Language Model (LLM)Latent VariableLoss FunctionLearning RateLSTM / Long Short-Term Memory
M
ModelMachine Learning (ML)Meta-learningMulti-head AttentionMultimodal / Multimodality
N
Neural NetworkNovelty Detection / Anomaly DetectionNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNormalization
O
OptimizerOnline LearningObjective FunctionOverfittingOne-hot Encoding
P
ParameterPromptPolicy / Reinforcement Learning PolicyPoolingPretraining
Q
QueryQuality EstimationQuantizationQ-learningQueue / Buffer
R
Representation LearningReinforcement Learning (RL)Retrieval Augmented Generation (RAG)RegularizationRNN / Recurrent Neural Network
S
Self-Supervised LearningSupervised LearningSamplingSequence ModelingSoftmax
T
TokenizerTransfer LearningTransformerTuning / Hyperparameter TuningTraining Data
U
Unsupervised LearningUncertainty EstimationUnderfittingUniversal Approximation TheoremU-Net
V
Variational Autoencoder (VAE)Vector EmbeddingValidation SetVanishing / Exploding GradientVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
X-axis / feature axisXOR problemXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisYield (model yield / throughput)Yoga of AIY-transform / YUVYAGNI (You Aren't Gonna Need It)
Z
Zero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZ-score NormalizationZygosity in augmentationZero-gradient phenomenon

Qu'est-ce que One-hot Encoding

One-hot Encoding est une méthode de représentation des caractéristiques largement utilisée, principalement pour convertir des données catégoriques en un format compréhensible par les ordinateurs. Dans l'apprentissage automatique et l'exploration de données, une représentation efficace des données est cruciale pour le succès des modèles. L'idée de base de One-hot Encoding est de transformer chaque valeur catégorique en un vecteur binaire, où la position correspondant à la catégorie est marquée par 1, et toutes les autres positions sont marquées par 0.


L'avantage de cette méthode réside dans sa capacité à éliminer les relations ordinales entre les catégories, permettant aux modèles de traiter chaque catégorie de manière indépendante. Par exemple, considérons un ensemble de données contenant des catégories d'animaux telles que « chat », « chien » et « oiseau ». Grâce au One-hot Encoding, ces catégories peuvent être représentées sous la forme d'un tableau tridimensionnel : [1, 0, 0], [0, 1, 0] et [0, 0, 1]. Cette méthode de représentation contribue à améliorer l'efficacité de l'apprentissage des modèles, en particulier dans les scénarios d'apprentissage profond.


Bien que le One-hot Encoding fonctionne bien dans de nombreux scénarios, il présente également certains inconvénients. Par exemple, lorsque le nombre de catégories est important, cela peut générer des matrices creuses, augmentant ainsi la complexité de calcul et l'utilisation de la mémoire. De plus, le One-hot Encoding ne capture pas les relations entre les catégories, ce qui peut affecter les performances du modèle dans certaines situations. Pour remédier à ces problèmes, des chercheurs ont proposé des méthodes alternatives telles que le Target Encoding et le Word Embedding.


Les tendances futures impliquent de combiner le One-hot Encoding avec d'autres méthodes d'encodage pour réduire la consommation de ressources informatiques et la complexité du modèle tout en maintenant l'efficacité. Dans l'ensemble, le One-hot Encoding est une technique fondamentale dans l'apprentissage automatique pour traiter les données catégoriques, et comprendre ses principes et scénarios d'application est essentiel pour les scientifiques des données.