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 Clustering

Clustering é uma técnica de análise de dados amplamente utilizada em aprendizado de máquina e mineração de dados. Seu objetivo principal é agrupar um conjunto de objetos em várias categorias, fazendo com que os objetos dentro da mesma categoria sejam semelhantes entre si, enquanto os objetos de categorias diferentes sejam o mais distintos possível. Essa técnica é frequentemente empregada na análise exploratória de dados para identificar padrões e estruturas nos dados.

Existem vários algoritmos disponíveis para clustering, incluindo K-means, clustering hierárquico e DBSCAN. Cada algoritmo possui suas vantagens e desvantagens únicas, dependendo da aplicação. Por exemplo, o algoritmo K-means é adequado para conjuntos de dados grandes, mas requer um número de clusters predefinido, enquanto o DBSCAN não necessita dessa suposição e é ideal para lidar com dados ruidosos.

As aplicações de clustering são extensas, abrangendo segmentação de mercado, análise de redes sociais, processamento de imagens e diagnóstico médico. À medida que o volume de dados e a complexidade continuam a crescer, espera-se que as técnicas de clustering avancem ainda mais, integrando-se a tecnologias emergentes, como aprendizado profundo, para aumentar a precisão e a eficiência da análise de dados.

No entanto, o clustering também apresenta vários desafios, como a seleção do algoritmo de clustering apropriado, a determinação das configurações de parâmetros ideais e a avaliação da eficácia dos resultados do clustering. Portanto, uma compreensão profunda das técnicas de clustering e experiência prática são cruciais para os cientistas de dados.