TopAIToolsTopAITools

Glossary

0-9
2-stage detector9-layer network5G + AI0-shot learning6DoF pose estimation3D convolution8-bit quantization7D representation1-shot learning4D data
A
AlgorithmAutoencoderAGI / Artificial General IntelligenceAttentionArtificial Intelligence (AI)
B
BERTBatch NormalizationBackpropagationBiasBoosting
C
ChatbotClassifier / ClassificationCNN / Convolutional Neural NetworkCross-ValidationClustering
D
Deterministic ModelDiscriminative ModelDeepfakeData AugmentationDeep Learning
E
EpochEncoderEnsemble LearningEmbeddingExplainable AI (XAI)
F
Foundation ModelFeature ExtractionFusion / Multimodal FusionForward PropagationFine-tuning
G
GAN / Generative Adversarial NetworkGenerative AIGradient DescentGroundingGraph Neural Network (GNN)
H
HyperparameterHidden LayerHallucinationHeuristicHierarchical Model
I
Instance / SampleInstruction tuningIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JAXJoint EmbeddingJSONL / JSON-linesJuxtapositionJittering
K
Knowledge DistillationKL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKernel Trick
L
Large Language Model (LLM)Latent VariableLoss FunctionLearning RateLSTM / Long Short-Term Memory
M
ModelMachine Learning (ML)Meta-learningMulti-head AttentionMultimodal / Multimodality
N
Neural NetworkNovelty Detection / Anomaly DetectionNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNormalization
O
OptimizerOnline LearningObjective FunctionOverfittingOne-hot Encoding
P
ParameterPromptPolicy / Reinforcement Learning PolicyPoolingPretraining
Q
QueryQuality EstimationQuantizationQ-learningQueue / Buffer
R
Representation LearningReinforcement Learning (RL)Retrieval Augmented Generation (RAG)RegularizationRNN / Recurrent Neural Network
S
Self-Supervised LearningSupervised LearningSamplingSequence ModelingSoftmax
T
TokenizerTransfer LearningTransformerTuning / Hyperparameter TuningTraining Data
U
Unsupervised LearningUncertainty EstimationUnderfittingUniversal Approximation TheoremU-Net
V
Variational Autoencoder (VAE)Vector EmbeddingValidation SetVanishing / Exploding GradientVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
X-axis / feature axisXOR problemXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisYield (model yield / throughput)Yoga of AIY-transform / YUVYAGNI (You Aren't Gonna Need It)
Z
Zero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZ-score NormalizationZygosity in augmentationZero-gradient phenomenon

Qu'est-ce que la Normalisation Z-score ?

La Normalisation Z-score, également connue sous le nom de standardisation, est une technique de prétraitement des données couramment utilisée dans l'analyse statistique et l'apprentissage automatique. Son principal objectif est de convertir les données en une distribution normale standard avec une moyenne de 0 et un écart type de 1, éliminant ainsi l'influence des différentes échelles et unités sur l'entraînement du modèle.


Dans de nombreuses tâches d'analyse de données, les unités et les plages des caractéristiques peuvent varier, ce qui entraîne la domination de certaines caractéristiques dans le processus d'apprentissage du modèle. La Normalisation Z-score ajuste chaque point de données par rapport à la moyenne et à l'écart type, rendant les distributions des caractéristiques plus cohérentes pour les analyses et modélisations ultérieures.


Le Z-score est calculé à l'aide de la formule : Z = (X - μ) / σ, où X est la valeur d'origine à normaliser, μ est la moyenne et σ est l'écart type. Cette formule permet de transformer les données en une échelle standardisée.


La Normalisation Z-score est largement utilisée dans divers domaines, notamment dans les modèles d'apprentissage automatique tels que les machines à vecteurs de support (SVM), la régression logistique et les réseaux de neurones. La cohérence de l'échelle des caractéristiques peut augmenter la vitesse de convergence et la précision du modèle.


Les avantages incluent l'élimination de l'influence dimensionnelle entre les caractéristiques, rendant l'entraînement du modèle plus stable, et aidant à accroître la vitesse de convergence de l'algorithme, en particulier dans les méthodes basées sur le gradient. Cependant, elle est sensible aux valeurs aberrantes, qui peuvent fausser les résultats, et convient uniquement aux données suivant une distribution normale ; si la distribution des données s'écarte gravement de la normalité, elle peut ne pas être efficace.


Avec l'avancement de la science des données, la Normalisation Z-score et ses variantes continueront à être appliquées dans le traitement des grandes données, l'apprentissage profond et l'analyse des données en temps réel. Les chercheurs explorent également des méthodes de normalisation plus robustes pour relever les défis posés par les ensembles de données modernes.


Lors de l'utilisation de la Normalisation Z-score, il est essentiel d'évaluer la distribution des données pour garantir la normalité. De plus, le traitement des valeurs aberrantes doit faire partie du prétraitement afin de minimiser leur impact sur les résultats de normalisation.