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'axe X / axe de caractéristiques

L'axe X, souvent appelé axe de caractéristiques, est un élément critique de la visualisation des données et de l'analyse statistique. Il représente la ligne horizontale d'un graphique et est utilisé pour afficher des variables indépendantes ou des caractéristiques spécifiques des données. Une étiquetage et un échelonnage corrects de l'axe X sont essentiels pour une interprétation précise des données.

Dans de nombreux types de graphiques, tels que les nuages de points ou les graphiques en ligne, l'axe X peut représenter le temps, des catégories ou des valeurs continues, influençant ainsi la perception du public sur les tendances et les relations dans les données. Par exemple, dans un nuage de points où l'axe X représente le temps et l'axe Y montre les chiffres de vente, la conception de l'axe X peut avoir un impact significatif sur la visualisation des tendances.

En regardant vers l'avenir, les tendances pourraient s'orienter vers des outils de visualisation plus interactifs et tridimensionnels qui augmentent l'engagement des utilisateurs avec les caractéristiques des données affichées sur l'axe X. Bien que ces avancées puissent offrir des aperçus plus intuitifs, des graphiques complexes peuvent également provoquer de la confusion parmi les spectateurs. Par conséquent, la clarté des étiquettes de l'axe X et l'utilisation appropriée des unités sont cruciales pour une communication efficace des informations sur les données.