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 Modelo

O termo 'Modelo' pode se referir a uma variedade de conceitos em diferentes campos. Nas ciências e engenharia, um modelo é uma abstração que simplifica e representa um determinado aspecto do mundo real, permitindo previsões e análises de sistemas complexos. Por exemplo, modelos climáticos ou modelos econômicos ajudam os pesquisadores a simular comportamentos sem experimentação direta.

Em negócios e desenvolvimento de produtos, um modelo normalmente representa um protótipo ou uma análise preditiva de desempenho de mercado. Os modelos são vantajosos porque permitem inferência em cenários onde experimentos diretos podem não ser viáveis. No entanto, os modelos também possuem limitações, uma vez que a simplificação excessiva pode levar a conclusões imprecisas.

No campo da tecnologia, especialmente em aprendizado de máquina e inteligência artificial, um modelo refere-se à combinação de algoritmos e conjuntos de dados usados para fazer previsões ou classificações. Com os avanços tecnológicos, a complexidade dos modelos está aumentando continuamente, e as tendências futuras podem levar a modelos mais inteligentes e adaptativos.

Existem vários tipos de modelos, incluindo modelos lineares, modelos não lineares e modelos de aprendizado profundo, com aplicações que vão desde pesquisa científica até análise de negócios e design de produtos.