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'Embedding Vectoriel ?

L'Embedding Vectoriel est une technique qui transforme des objets, tels que des mots ou des images, en représentations vectorielles de taille fixe. Cette méthode est particulièrement importante dans le traitement du langage naturel (NLP) et l'apprentissage automatique, car elle permet de conserver les relations sémantiques entre les objets tout en mappant des données de haute dimension vers des espaces de basse dimension.

Un des exemples les plus célèbres d'Embedding Vectoriel inclut des modèles comme Word2Vec, GloVe et BERT, qui génèrent des vecteurs en s'entraînant sur de grands corpus de texte pour capturer les similitudes sémantiques entre les mots. Ces embeddings jouent un rôle crucial dans des applications telles que la recherche d'informations, les systèmes de recommandation et les chatbots.

Le processus implique généralement de mapper des objets dans un espace de haute dimension, en utilisant des réseaux de neurones ou d'autres algorithmes pour l'entraînement. Après l'entraînement, le modèle peut générer de nouveaux vecteurs d'objets, assurant que les objets similaires sont plus proches dans l'espace vectoriel.

À l'avenir, nous pourrions voir des méthodes d'entraînement plus efficaces et des représentations vectorielles plus riches avec l'avancement de l'apprentissage en profondeur. Cependant, il est essentiel de considérer le choix du modèle et la qualité des données d'entraînement pour garantir des représentations efficaces.