Glossary

0-9

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

A

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

B

Backpropagation BERT Bias Boosting Batch Normalization

C

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

D

Data Augmentation Deep Learning Deepfake Deterministic Model Discriminative Model

E

Ensemble Learning Embedding Encoder Epoch Explainable AI (XAI)

F

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

G

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

H

Hidden Layer Hallucination Heuristic Hyperparameter Hierarchical Model

I

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

J

JAX Jittering Joint Embedding JSONL / JSON-lines Juxtaposition

K

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

L

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

M

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

N

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

O

Online Learning Objective Function One-hot Encoding Optimizer Overfitting

P

Parameter Policy / Reinforcement Learning Policy Pooling Pretraining Prompt

Q

Quality Estimation Queue / Buffer Q-learning Quantization Query

R

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

S

Sampling Self-Supervised Learning Supervised Learning Sequence Modeling Softmax

T

Training Data Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning

U

Unsupervised Learning Uncertainty Estimation Universal Approximation Theorem U-Net Underfitting

V

Vector Embedding Vanishing / Exploding Gradient Validation Set Variational Autoencoder (VAE)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 Y-transform / YUV YAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI

Z

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

O que é Algoritmo

Um algoritmo é um conjunto de regras e etapas usadas para resolver problemas ou realizar tarefas. Originado da palavra grega, desempenha um papel crucial na ciência da computação. Desde algoritmos básicos de ordenação e busca até modelos complexos de aprendizado de máquina, os algoritmos são aplicados em várias áreas, como finanças, saúde e transporte.

O funcionamento de um algoritmo geralmente consiste em três partes: entrada, processamento e saída. Por exemplo, um algoritmo de ordenação recebe um array não ordenado como entrada, processa e produz um array ordenado como saída.

Os algoritmos são amplamente utilizados em mecanismos de busca, recomendações em redes sociais, análise de dados e inteligência artificial. Por exemplo, o mecanismo de busca do Google utiliza algoritmos complexos para determinar quais páginas da web são mais relevantes para as consultas dos usuários, fornecendo os melhores resultados de busca.

À medida que a tecnologia avança, a pesquisa e a aplicação de algoritmos continuarão a evoluir, especialmente nas áreas de inteligência artificial e big data. Os algoritmos se tornarão mais complexos e inteligentes, capazes de lidar com conjuntos de dados maiores e fornecer resultados mais precisos.

Embora os algoritmos ofereçam vantagens como eficiência, repetibilidade e precisão, eles também têm limitações, como a dependência da qualidade dos dados e possíveis preconceitos. Portanto, é crucial avaliar cuidadosamente sua aplicabilidade e riscos ao usar algoritmos.

Ao projetar e usar algoritmos, garantir transparência e interpretabilidade é essencial. Isso ajuda os usuários a entenderem o processo de tomada de decisão do algoritmo, aumentando assim a confiança nos resultados do algoritmo.