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 Softmax

Softmax est une fonction d'activation couramment utilisée dans les modèles d'apprentissage automatique multiclasse, transformant un ensemble de nombres réels arbitraires en une distribution de probabilité.

Mathématiquement, elle est définie comme suit :
Softmax(z_i) = e^{z_i} / sum(e^{z_j}), où z_i est le i-ème élément du vecteur d'entrée et K est le nombre total de classes.

Cette fonction garantit que les valeurs de sortie s'additionnent à 1, ce qui la rend adaptée aux tâches de classification telles que la reconnaissance d'image et le traitement du langage naturel.

Par exemple, dans la reconnaissance d'image, Softmax convertit les sorties du réseau en probabilités pour chaque catégorie, aidant le modèle à décider de la classe de l'image d'entrée. Dans la classification de texte, elle détermine le sujet auquel le texte appartient.

À l'avenir, Softmax pourrait être combiné avec des algorithmes avancés pour améliorer la précision et l'efficacité de la classification.

Cependant, elle présente certaines limites, telles qu'une surcharge de calcul lorsque le nombre de classes est élevé et une sensibilité aux variations des données d'entrée.

Lors de l'utilisation de Softmax, assurez-vous que les données d'entrée sont correctement mises à l'échelle pour éviter l'instabilité numérique, en particulier en cas de valeurs extrêmes.