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 Meta-aprendizagem

Meta-aprendizagem, também conhecida como 'aprender a aprender', é um conceito crucial no campo da aprendizagem de máquina. Refere-se à abordagem de aprender como aprender de forma mais eficaz, aumentando assim o desempenho de um modelo em novas tarefas. O objetivo subjacente é permitir que o modelo se adapte rapidamente a diferentes tarefas de aprendizagem com dados ou experiências mínimos.

A importância da meta-aprendizagem reside na sua capacidade de reduzir o tempo de treinamento e melhorar a adaptabilidade do modelo em novos ambientes. Em aprendizagem de máquina tradicional, os modelos geralmente precisam de grandes quantidades de dados rotulados para treinamento, enquanto a meta-aprendizagem utiliza conhecimento ou experiência existente para acelerar o processo de aprendizagem. Os métodos comuns incluem a seleção de algoritmos apropriados, otimização de hiperparâmetros e emprego de mecanismos adaptativos para ajustar estratégias de aprendizagem.

Em cenários típicos, a meta-aprendizagem é aplicada em diversos domínios, como processamento de linguagem natural, visão computacional e aprendizagem robótica. Por exemplo, na visão computacional, a meta-aprendizagem pode ajudar modelos a se adaptarem rapidamente e a classificarem com precisão novas categorias de imagens.

Olhando para o futuro, à medida que a diversidade de dados e tarefas continua a crescer, a importância da meta-aprendizagem deverá aumentar. Espera-se que desempenhe um papel maior em áreas como aprendizagem de máquina automatizada (AutoML) e sistemas de recomendação personalizados. No entanto, a meta-aprendizagem também enfrenta desafios, como a escolha de aprendizes básicos adequados e o design de distribuições de tarefas eficazes.