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 les Données d'Entraînement

Les données d'entraînement désignent l'ensemble de données utilisé pour entraîner les modèles d'apprentissage automatique. C'est un composant central des domaines de l'apprentissage automatique et de l'intelligence artificielle, affectant directement la performance et la précision des modèles.

La qualité et la diversité des données d'entraînement déterminent l'efficacité du modèle dans les applications réelles. Par exemple, dans les tâches de reconnaissance d'images, les données d'entraînement peuvent inclure des milliers d'images étiquetées afin que le modèle apprenne à identifier différents objets.

Dans le processus d'apprentissage automatique, la collecte et le traitement des données sont des étapes cruciales. Les données doivent passer par des processus de nettoyage, de marquage et de division pour garantir leur qualité et leur applicabilité. La taille et la complexité de l'ensemble de données peuvent également affecter le temps d'entraînement et la capacité de généralisation du modèle.

Les tendances futures indiquent que les avancées technologiques, telles que les modèles génératifs et les méthodes d'apprentissage auto-supervisé, changent les besoins en données d'entraînement. Ces approches peuvent apprendre efficacement à partir de moins de données étiquetées, réduisant ainsi la dépendance à de grands ensembles de données d'entraînement.

En ce qui concerne les avantages et les inconvénients, l'avantage des données d'entraînement est qu'elles sont fondamentales pour le succès de l'apprentissage automatique, fournissant le matériel pour que le modèle apprenne. Cependant, la collecte et le marquage des données peuvent être très chronophages et coûteux. De plus, le biais des données et les problèmes de confidentialité peuvent également affecter l'équité et la fiabilité des modèles.