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 Quantification

La quantification est un concept fondamental en traitement numérique du signal et en informatique. Elle implique la conversion de données continues, telles que des signaux analogiques, en données discrètes pour le stockage et le traitement dans des systèmes numériques. Au cœur du processus de quantification se trouve la sélection d'un niveau discret approprié pour représenter des valeurs continues, ce qui affecte à la fois la précision des données et leur analyse ultérieure.

Les applications de la quantification sont vastes, notamment dans des domaines tels que le traitement d'images, le traitement audio et l'apprentissage automatique. Par exemple, dans l'apprentissage automatique, la quantification peut réduire la taille des modèles et la complexité computationnelle, améliorant ainsi l'efficacité opérationnelle et minimisant les besoins de stockage. Dans la compression d'images, des techniques de quantification sont utilisées pour réduire la taille des fichiers tout en s'efforçant de maintenir la qualité visuelle de l'image.

Cependant, la quantification présente également certains inconvénients, la perte potentielle d'informations et la réduction de la précision étant les plus significatives. Par conséquent, il est essentiel d'équilibrer l'efficacité et la précision lors de la conception de schémas de quantification. De plus, avec les avancées technologiques, les tendances futures en matière de quantification pourraient impliquer des algorithmes plus intelligents et des implémentations plus efficaces pour répondre à la demande croissante de traitement des données.