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 JSONL / JSON-lines

JSONL, ou JSON Lines, é um formato para armazenar dados estruturados onde cada registro é uma linha separada em formato JSON. Este formato é vantajoso para lidar com grandes conjuntos de dados, permitindo processamento em fluxo e leitura linha a linha. JSONL é amplamente utilizado em processamento de big data, registro de logs e aprendizado de máquina.

O design do JSONL visa fornecer uma maneira simples e eficiente de lidar com dados JSON. Ao contrário dos arquivos JSON tradicionais, cada linha em um arquivo JSONL é um objeto JSON completo, tornando a leitura incremental de dados simples. Os usuários podem ler e analisar dados linha por linha, sem precisar carregar todo o arquivo na memória, o que é particularmente importante para conjuntos de dados grandes.

Em aplicações práticas, o formato JSONL é comumente usado para troca e armazenamento de dados, como quando os dados são transferidos de um sistema para outro em pipelines de dados. A natureza linha a linha do JSONL ajuda a garantir a integridade e consistência dos dados. Além disso, muitas ferramentas e estruturas modernas de processamento de dados (como Apache Kafka, Spark, etc.) suportam o formato JSONL, tornando-o uma ferramenta importante para cientistas de dados e engenheiros.

No futuro, à medida que a quantidade de dados continuar a crescer, o formato JSONL pode se tornar cada vez mais prevalente no armazenamento e processamento de dados, especialmente em cenários que exigem transferência e processamento eficientes de dados. No entanto, usar JSONL também apresenta algumas considerações, como a complexidade relativa da análise de estruturas aninhadas complexas. Além disso, arquivos JSONL não possuem um mecanismo padrão de descrição de metadados, o que pode afetar a interpretabilidade dos dados.