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 Préentraînement?

Le préentraînement fait référence au processus d'entraînement initial dans l'apprentissage automatique et l'apprentissage profond, en particulier dans le traitement du langage naturel (NLP) et la vision par ordinateur. Ce processus est conçu pour permettre aux modèles d'apprendre des caractéristiques et des motifs généraux avant d'être ajustés pour des tâches spécifiques.

Au cours de la phase de préentraînement, les modèles sont généralement formés sur de grands ensembles de données non étiquetées. Cela leur permet de capturer des structures fondamentales, une grammaire et des informations sémantiques dans les données. Par exemple, les modèles de langage préentraînés comme BERT et GPT apprennent les relations et les informations contextuelles entre les mots en observant de grandes quantités de texte.

Un avantage important du préentraînement est sa capacité à améliorer considérablement les performances du modèle sur des tâches spécifiques, en particulier lorsque les échantillons sont rares. En préentraînant sur des ensembles de données plus larges, les modèles peuvent converger plus rapidement lors de l'affinage, économisant ainsi du temps et des ressources informatiques. Cependant, le préentraînement présente également des inconvénients, tels que des exigences élevées en matière de ressources informatiques et le potentiel d'introduire des biais et des inexactitudes.

À l'avenir, avec les avancées technologiques, les méthodes de préentraînement pourraient devenir plus flexibles et efficaces, intégrant des approches émergentes telles que l'apprentissage auto-supervisé et l'apprentissage par transfert pour améliorer encore l'efficacité et l'applicabilité du modèle.