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 Pré-treinamento

Pré-treinamento refere-se ao processo inicial de treinamento em aprendizado de máquina e aprendizado profundo, especialmente em processamento de linguagem natural (NLP) e visão computacional. Este processo é projetado para permitir que os modelos aprendam características e padrões gerais antes de serem ajustados para tarefas específicas.

Durante a fase de pré-treinamento, os modelos normalmente são treinados em grandes conjuntos de dados não rotulados. Isso permite que eles capturem estruturas fundamentais, gramática e informações semânticas nos dados. Por exemplo, modelos de linguagem pré-treinados, como BERT e GPT, aprendem relacionamentos e informações contextuais entre palavras ao observar grandes quantidades de texto.

Uma vantagem importante do pré-treinamento é sua capacidade de melhorar significativamente o desempenho do modelo em tarefas específicas, especialmente quando as amostras são escassas. Ao pré-treinar em conjuntos de dados mais amplos, os modelos podem convergir mais rapidamente durante o ajuste fino, economizando tempo e recursos computacionais. No entanto, o pré-treinamento também apresenta desvantagens, como a alta demanda por recursos computacionais e o potencial de introduzir preconceitos e imprecisões.

No futuro, com os avanços tecnológicos, os métodos de pré-treinamento podem se tornar mais flexíveis e eficientes, integrando abordagens emergentes, como aprendizado auto-supervisionado e aprendizado por transferência, para melhorar ainda mais a eficácia e aplicabilidade do modelo.