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 Modelo Discriminativo

Um Modelo Discriminativo é um tipo de modelo estatístico usado em aprendizado de máquina para classificar pontos de dados com base em suas características. Ao contrário dos modelos gerativos que tentam modelar a distribuição dos dados, os modelos discriminativos focam em aprender a fronteira entre diferentes classes.

Um dos exemplos mais comuns de modelos discriminativos é a regressão logística, que é especialmente utilizada para tarefas de classificação binária. Outros exemplos incluem Máquinas de Vetores de Suporte (SVM), árvores de decisão e redes neurais em aprendizado profundo. Esses modelos são amplamente utilizados em vários campos, como reconhecimento de imagem, classificação de texto e bioinformática.

As principais vantagens dos modelos discriminativos incluem sua eficiência e precisão. Eles geralmente apresentam melhor desempenho em termos de precisão de classificação do que os modelos gerativos, pois se concentram em aprender a fronteira de decisão. No entanto, os modelos discriminativos podem ser sensíveis ao ruído nos dados de treinamento, especialmente em casos de conjuntos de dados desbalanceados. Além disso, os modelos discriminativos podem ter dificuldade em capturar as características de distribuição subjacentes dos dados.

À medida que o aprendizado de máquina continua a evoluir, as aplicações dos modelos discriminativos estão se expandindo. No futuro, os modelos discriminativos combinados com técnicas de aprendizado profundo podem se destacar em tarefas complexas.