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 non supervisé

L'apprentissage non supervisé est un type d'apprentissage automatique qui traite des données non étiquetées. Contrairement à l'apprentissage supervisé, son objectif est de trouver des motifs et des structures au sein des données sans l'aide d'étiquettes. Cette technique est fondamentale dans de nombreuses applications, telles que le clustering, la réduction de dimensions et l'apprentissage des règles d'association.

Le clustering est une méthode utilisée pour regrouper des points de données de manière à ce que les points du même groupe soient plus similaires entre eux. La réduction de dimensions simplifie les données en diminuant le nombre de caractéristiques tout en conservant les informations essentielles. L'apprentissage des règles d'association aide à découvrir les relations entre les variables, couramment utilisé dans l'analyse des paniers d'achat pour comprendre le comportement d'achat des consommateurs.

Un avantage majeur de l'apprentissage non supervisé est sa capacité à traiter de grandes quantités de données non étiquetées, ce qui est souvent courant dans les scénarios réels. Cependant, il présente également des inconvénients, tels que le manque de critères d'évaluation clairs, rendant difficile l'évaluation des performances du modèle.

En regardant vers l'avenir, on s'attend à ce que l'apprentissage non supervisé gagne en importance, en particulier dans les domaines du big data et de l'intelligence artificielle. Les chercheurs explorent continuellement de nouvelles méthodes pour améliorer son efficacité, comme l'utilisation de techniques d'apprentissage par renforcement et de réseaux antagonistes génératifs (GAN).