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 Justaposição

Justaposição é um termo derivado do latim, que significa 'colocar lado a lado'. É comumente utilizado nas áreas de arte, literatura, fotografia e design para destacar contrastes ou semelhanças entre dois ou mais elementos. Essa técnica permite que os espectadores façam comparações visuais ou conceituais, provocando reflexões mais profundas.

Na história da arte, a justaposição pode ser rastreada até muitos grandes artistas e movimentos, como o Impressionismo e o Surrealismo. Ao colocar obras de estilos, cores ou temas diferentes juntas, os artistas podem criar novos significados e emoções. Por exemplo, Picasso desafiou a representação tradicional em suas obras cubistas, justapondo diferentes perspectivas e elementos.

Na literatura, a justaposição é frequentemente usada para contrastar personagens, enredos ou temas, aumentando a profundidade da narrativa. Por exemplo, Charles Dickens frequentemente destacou injustiças sociais ao justapor as vidas dos ricos e dos pobres em seus romances.

Com o advento da mídia digital, a aplicação da justaposição continua a expandir-se. Designers e criativos aproveitam essa técnica para criar visuais impressionantes nas redes sociais, publicidade e promoção de marcas.

No entanto, vale a pena notar que o uso da justaposição também tem suas limitações. O uso excessivo ou inadequado de contrastes pode levar a confusões ou mal-entendidos, portanto, é essencial considerar cuidadosamente seus efeitos.