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'Underfitting

L'underfitting est un concept important en apprentissage automatique, qui fait référence à la mauvaise performance d'un modèle sur les données d'entraînement, incapable de capturer les modèles sous-jacents des données.

Cette situation se produit généralement lorsque le modèle est trop simple pour exprimer des caractéristiques complexes, ce qui entraîne une mauvaise performance à la fois sur le jeu d'entraînement et sur le jeu de test.

Identifier l'underfitting est crucial pour l'optimisation du modèle. Si un modèle souffre d'underfitting, cela signifie qu'il ne peut pas apprendre efficacement les caractéristiques des données.

Les causes courantes incluent l'utilisation de modèles excessivement simples, des caractéristiques insuffisantes et une quantité de données trop faible.

Un scénario typique d'underfitting se produit lorsque l'on utilise un modèle de régression linéaire pour ajuster un ensemble de données qui présente clairement une relation non linéaire.

Alors que la technologie d'apprentissage automatique continue d'évoluer, de nouveaux algorithmes et architectures de modèles émergent pour mieux s'adapter aux besoins d'apprentissage des données complexes.

Les modèles simples sont efficaces en termes de calcul et faciles à interpréter, mais peuvent conduire à une faible performance prédictive s'ils ne capturent pas des caractéristiques complexes.

Lorsqu'il s'agit de traiter l'underfitting, il est essentiel de maintenir une sensibilité à la complexité du modèle et d'éviter une simplification excessive qui pourrait dégrader les performances.