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 Instância / Amostra

Os termos 'Instância' e 'Amostra' são usados em vários campos, especialmente em ciência da computação, estatística e análise de dados. Na ciência da computação, uma 'instância' refere-se a um objeto específico criado a partir de uma classe, enquanto uma 'amostra' representa um subconjunto de dados extraído de um conjunto de dados maior para análise e inferência.

Em aprendizado de máquina, uma instância pode ser considerada como um único ponto de dados necessário para o treinamento do modelo, enquanto uma amostra refere-se a uma parte do conjunto de dados selecionada para treinamento, validação ou teste do modelo. Por exemplo, cada linha em um conjunto de dados pode ser vista como uma instância, enquanto linhas específicas escolhidas do conjunto de dados servem como amostras para pesquisa.

A aplicação desses conceitos é crucial na pesquisa científica e no desenvolvimento técnico. Na estatística, pesquisadores precisam amostrar de uma população para inferir características, tornando a representatividade das amostras vital. Na programação, o processo de instanciar objetos é essencial para entender a programação orientada a objetos.

Com o rápido desenvolvimento da ciência de dados e do aprendizado de máquina, entender os conceitos de instâncias e amostras se torna cada vez mais importante. No futuro, com o contínuo avanço da tecnologia de inteligência artificial, a forma como instâncias e amostras são utilizadas afetará diretamente o desempenho do modelo e a eficácia da pesquisa.