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 Descenso do Gradiente

O Descenso do Gradiente é um algoritmo de otimização amplamente utilizado em aprendizado de máquina e estatística. Seu principal objetivo é minimizar uma função iterativamente, como uma função de custo ou de perda.

A ideia central do Descenso do Gradiente é calcular o gradiente da função em um determinado ponto, que indica a direção da descida mais acentuada. Atualizando os parâmetros nessa direção, o algoritmo se aproxima gradualmente da solução ótima.

Em cenários típicos, o Descenso do Gradiente é empregado em várias aplicações, incluindo aprendizado profundo, regressão linear e regressão logística. Com o surgimento de grandes dados e capacidades computacionais, variantes do Descenso do Gradiente, como o Descenso do Gradiente Estocástico, o Descenso do Gradiente em Mini-Lote e o Momento, foram introduzidas para melhorar a eficiência e a velocidade de convergência.

No futuro, o Descenso do Gradiente provavelmente continuará a evoluir, integrando outras técnicas de otimização para lidar com problemas mais complexos. No entanto, apesar de sua eficácia, ele tem algumas desvantagens, como a possibilidade de ficar preso em mínimos locais e a sensibilidade à taxa de aprendizado. Portanto, ajustes e escolhas cuidadosas são necessários ao aplicar este método.