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 JAX

JAX é uma biblioteca de código aberto desenvolvida pelo Google para computação numérica de alto desempenho e aprendizado de máquina. Seu nome significa 'Just After eXecution', indicando sua capacidade de otimização em tempo de execução, especialmente na diferenciação automática.

Combinando a facilidade de uso do NumPy com o poder do TensorFlow, o JAX permite que os usuários realizem cálculos eficientes através de um código Python simples. Um de seus principais recursos é o suporte à diferenciação automática, permitindo cálculos de gradientes com facilidade.

O JAX utiliza um compilador conhecido como XLA (Accelerated Linear Algebra) para converter funções Python dos usuários em código de máquina eficiente, acelerando o processo de cálculo. Essa otimização faz com que o JAX se destaque no tratamento de dados em larga escala.

O JAX é amplamente utilizado em aprendizado de máquina, computação científica e otimização numérica. Muitas pesquisas e aplicações de ponta adotaram o JAX, especialmente em aprendizado profundo, aprendizado por reforço e modelos gerativos.

No futuro, o JAX pode continuar a expandir suas capacidades, atraindo mais desenvolvedores e pesquisadores. Com o desenvolvimento contínuo do aprendizado de máquina e da inteligência artificial, o JAX também pode melhorar em desempenho e usabilidade.

Apesar de suas muitas vantagens, como alto desempenho e flexibilidade, o JAX tem algumas desvantagens. Por exemplo, a curva de aprendizado do JAX pode ser íngreme para iniciantes, especialmente para aqueles que não estão familiarizados com NumPy ou aprendizado de máquina. Além disso, o ecossistema do JAX ainda está em desenvolvimento em comparação com outros frameworks (como TensorFlow ou PyTorch), e algumas funcionalidades podem ainda não estar totalmente desenvolvidas.