Glossary

0-9

1-shot learning 2-stage detector 3D convolution 4D data 5G + AI 6DoF pose estimation 7D representation 8-bit quantization 9-layer network 0-shot learning

A

AGI / Artificial General Intelligence Algorithm Autoencoder Artificial Intelligence (AI)Attention

B

BERT Backpropagation Batch Normalization Boosting Bias

C

CNN / Convolutional Neural Network Clustering Cross-Validation Chatbot Classifier / Classification

D

Deepfake Deep Learning Data Augmentation Deterministic Model Discriminative Model

E

Epoch Ensemble Learning Encoder Explainable AI (XAI)Embedding

F

Fine-tuning Forward Propagation Fusion / Multimodal Fusion Foundation Model Feature Extraction

G

GAN / Generative Adversarial Network Grounding Graph Neural Network (GNN)Gradient Descent Generative AI

H

Hyperparameter Heuristic Hidden Layer Hierarchical Model Hallucination

I

Instruction tuning Instance / Sample Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

JAX JSONL / JSON-lines Jittering Joint Embedding Juxtaposition

K

K-Shot Learning K-means Clustering KL Divergence (Kullback–Leibler Divergence)Kernel Trick Knowledge Distillation

L

LSTM / Long Short-Term Memory Learning Rate Latent Variable Loss Function Large Language Model (LLM)

M

Multi-head Attention Multimodal / Multimodality Meta-learning Model Machine Learning (ML)

N

NLP / Natural Language Processing NLU / Natural Language Understanding Neural Network Novelty Detection / Anomaly Detection Normalization

O

One-hot Encoding Overfitting Optimizer Online Learning Objective Function

P

Pooling Parameter Pretraining Prompt Policy / Reinforcement Learning Policy

Q

Q-learning Queue / Buffer Query Quality Estimation Quantization

R

RNN / Recurrent Neural Network Retrieval Augmented Generation (RAG)Reinforcement Learning (RL)Regularization Representation Learning

S

Softmax Sampling Sequence Modeling Supervised Learning Self-Supervised Learning

T

Tuning / Hyperparameter Tuning Tokenizer Transformer Training Data Transfer Learning

U

U-Net Underfitting Universal Approximation Theorem Unsupervised Learning Uncertainty Estimation

V

Vision Transformer (ViT)Vector Embedding Validation Set Vanishing / Exploding Gradient Variational Autoencoder (VAE)

W

Weight Decay Whitening / Whitening Transformation Workflow Word Embedding Weak Supervision

X

XAI / Explainable AI XLM XLNet XOR problem X-axis / feature axis

Y

Yoga of AI Y-transform / YUV YAGNI (You Aren't Gonna Need It)Y-axis / feature axis Yield (model yield / throughput)

Z

Z-score Normalization Zero-shot Learning / Zero-shot inference Zero-gradient phenomenon Zero-centric / Zero-bias initialization Zygosity in augmentation

トレーニングデータとは

トレーニングデータとは、機械学習モデルをトレーニングするために使用されるデータセットを指します。これは機械学習と人工知能の分野の中心的な要素であり、モデルの性能と精度に直接影響を与えます。

トレーニングデータの質と多様性は、モデルが実際のアプリケーションでどれだけ効果的であるかを決定します。例えば、画像認識タスクでは、トレーニングデータには、モデルがさまざまなオブジェクトを識別できるようにするために、数千のラベル付き画像が含まれることがあります。

機械学習プロセスでは、データの収集と処理が重要です。データは、質と適用性を確保するために、クリーニング、ラベリング、および分割といった前処理プロセスを経なければなりません。データセットのサイズと複雑さは、トレーニング時間やモデルの一般化能力にも影響を与えます。

将来のトレンドは、生成モデルや自己教師あり学習法などの技術の進歩がトレーニングデータのニーズを変えていることを示しています。これらのアプローチは、少ないラベル付きデータからでも効果的に学習し、大規模なトレーニングデータへの依存を減らします。

トレーニングデータの利点と欠点について言えば、その利点は、機械学習の成功の基盤であり、モデルが学習するための材料を提供することです。しかし、データの収集とラベリングは非常に時間がかかり、コストも高くなる可能性があります。また、データのバイアスやプライバシーの問題も、モデルの公正性や信頼性に影響を与える可能性があります。