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'Apprentissage Supervisé

L'Apprentissage Supervisé est une approche d'apprentissage automatique où un modèle est entraîné sur un ensemble de données étiquetées. Chaque exemple d'entraînement comprend des données d'entrée ainsi que son étiquette de sortie correspondante. Cette méthode est largement utilisée dans les tâches de classification et de régression, visant à prédire des résultats pour des données non vues en comprenant la relation entre les entrées et les sorties.

En termes de contexte, l'apprentissage supervisé est une branche cruciale de l'apprentissage automatique, en particulier dans des domaines tels que l'analyse de données et la modélisation prédictive. Son fonctionnement implique généralement plusieurs étapes, y compris la collecte de données, le prétraitement, la sélection de modèles, l'entraînement et l'évaluation. En ajustant continuellement les paramètres et les algorithmes du modèle, l'apprentissage supervisé peut améliorer la précision prédictive.

Dans les applications pratiques, l'apprentissage supervisé est couramment utilisé dans le filtrage des e-mails, la reconnaissance d'images, la reconnaissance vocale et les prévisions financières, entre autres. Les avantages incluent une mise en œuvre relativement facile et une meilleure interprétabilité, mais les inconvénients incluent la dépendance à de grands ensembles de données étiquetées et le risque de surapprentissage.

En regardant vers l'avenir, on s'attend à ce que l'apprentissage supervisé progresse dans des tâches plus complexes à mesure que le volume de données augmente et que la puissance de calcul s'améliore. En particulier, avec l'avancement des technologies d'apprentissage profond, les perspectives de développement de l'apprentissage supervisé sont larges. Cependant, comment obtenir et traiter efficacement les données étiquetées reste un défi.