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 Word Embedding

Word Embedding est une technique utilisée pour convertir des mots en vecteurs pour des tâches de traitement du langage naturel (NLP). En mappant les mots dans un espace vectoriel continu, Word Embedding permet aux machines de comprendre et de traiter les relations sémantiques dans le langage.

Le cœur de Word Embedding réside dans des algorithmes tels que Word2Vec, GloVe et FastText. Ces algorithmes analysent d'énormes quantités de données textuelles pour apprendre comment les mots sont utilisés dans différents contextes, les transformant en représentations vectorielles. Un scénario typique est lorsque les vecteurs pour 'roi' et 'reine' reflètent une relation similaire à celle entre 'homme' et 'femme'.

Les avantages de Word Embedding incluent la capacité à traiter de grands ensembles de données textuelles, à fournir une meilleure compréhension sémantique et à être applicable à divers modèles d'apprentissage automatique. Cependant, il présente également des inconvénients, tels qu'un traitement inadéquat des mots peu fréquents et la possibilité d'introduire des biais. Par conséquent, une attention particulière est nécessaire lors de l'utilisation de Word Embedding pour atténuer ces problèmes.

À l'avenir, avec l'évolution des technologies d'apprentissage profond, Word Embedding pourrait être combiné avec des modèles plus complexes, tels que les Transformers, améliorant la précision et la flexibilité de la compréhension du langage.