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 le Whitening / Transformation de Whitening

Le Whitening, souvent associé aux soins de la peau et des dents, fait référence au processus d'éclaircissement du teint de la peau ou de la couleur des dents par divers produits et traitements. La demande pour des produits de blanchiment a considérablement augmenté ces dernières années, reflétant un accent culturel sur l'apparence et les normes de beauté.

L'industrie du blanchiment est devenue un marché significatif qui affecte des millions de personnes à travers le monde. Cela a suscité des discussions sur les ingrédients utilisés dans les produits de blanchiment et leur sécurité, ainsi que des récits culturels continus sur la beauté et l'identité.

Les produits de blanchiment contiennent généralement des ingrédients actifs tels que l'hydroquinone, la vitamine C et des acides qui agissent pour inhiber la production de mélanine ou favoriser le renouvellement cellulaire. En dentisterie, le peroxyde d'hydrogène est couramment utilisé pour blanchir les dents, éliminant efficacement les taches superficielles.

À mesure que les préférences des consommateurs évoluent, l'avenir des produits de blanchiment pourrait tendre vers des ingrédients plus sûrs et plus naturels, les options à base de plantes devenant de plus en plus populaires.

Bien que les avantages du blanchiment incluent une apparence améliorée et une estime de soi accrue, les inconvénients potentiels incluent l'irritation de la peau, les réactions allergiques et la pression sociale concernant les normes de beauté.

Lors du choix des produits de blanchiment, les consommateurs doivent se concentrer sur la transparence des ingrédients, choisir des produits validés cliniquement et suivre les instructions d'utilisation pour éviter des problèmes cutanés indésirables.