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 Detecção de Novidade / Detecção de Anomalias

A Detecção de Novidade e a Detecção de Anomalias são técnicas de aprendizado de máquina usadas para identificar pontos de dados que se desviam significativamente dos padrões esperados. Elas desempenham um papel crucial em várias aplicações, como detecção de fraude financeira, segurança de rede, diagnóstico médico e monitoramento industrial.

Tecnicamente, a Detecção de Novidade refere-se à detecção de novas amostras não rotuladas no contexto de dados normais conhecidos, enquanto a Detecção de Anomalias se concentra na identificação de pontos de dados anômalos que se desviam dos padrões de comportamento normal. A principal diferença está no fato de que a Detecção de Novidade lida com dados normais não vistos, enquanto a Detecção de Anomalias é baseada em dados rotulados.

O impacto dessas técnicas é profundo, pois permitem que as organizações monitorem e respondam a riscos e problemas potenciais em tempo real, reduzindo assim perdas e aumentando a eficiência. Com o aumento do volume de dados, a importância da Detecção de Novidade e da Detecção de Anomalias está crescendo e elas podem se integrar ainda mais com tecnologias de aprendizado profundo e big data para melhorar a precisão e a eficiência da detecção.

No entanto, essas técnicas também enfrentam desafios na prática. Definir o que constitui 'normal' em ambientes de dados complexos e detectar de forma eficaz em dados de alta dimensão são áreas que requerem pesquisa mais aprofundada. Além disso, o treinamento e a validação dos modelos exigem uma quantidade substancial de dados rotulados, que podem não estar prontamente disponíveis em alguns domínios.