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'Échantillonnage

L'échantillonnage fait référence au processus de sélection d'un sous-ensemble d'individus d'une population afin d'estimer les caractéristiques de l'ensemble du groupe. En statistiques, c'est une méthode cruciale de collecte de données qui permet aux chercheurs de tirer des conclusions sans avoir besoin d'interroger l'ensemble de la population. Les méthodes d'échantillonnage courantes comprennent l'échantillonnage aléatoire, l'échantillonnage stratifié et l'échantillonnage systématique, chacune ayant ses propres avantages et inconvénients.

Dans la recherche de marché, l'échantillonnage joue un rôle vital en aidant les entreprises à comprendre les préférences et les comportements des consommateurs. En menant des enquêtes et des entretiens avec un échantillon du public cible, les entreprises peuvent développer des stratégies qui répondent mieux aux besoins du marché. Cette approche permet non seulement d'économiser du temps et des ressources, mais fournit également des informations précieuses.

En informatique, les techniques d'échantillonnage sont appliquées dans divers domaines tels que le traitement du signal, l'analyse d'images et l'apprentissage automatique. Ces méthodes permettent la gestion et l'analyse efficaces de grands ensembles de données, améliorant la prise de décision et la modélisation prédictive.

À l'avenir, à mesure que la science des données et l'intelligence artificielle continuent d'évoluer, il est prévu que les méthodes d'échantillonnage évoluent également. De nouvelles techniques d'échantillonnage adaptatif et intelligent pourraient améliorer l'efficacité et la précision, répondant à des besoins analytiques plus complexes.