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 Q-learning

Q-learning é um algoritmo de aprendizado por reforço sem modelo que permite que um agente aprenda o valor das ações em um dado estado. Ele opera interagindo com o ambiente e aprendendo uma política para maximizar recompensas acumuladas. A importância do Q-learning reside na sua capacidade de otimizar decisões sem necessidade de conhecimento sobre o modelo do ambiente.

A ideia fundamental do Q-learning é usar uma função Q para avaliar o valor de cada par estado-ação. O algoritmo atualiza os valores Q iterativamente com base nas recompensas recebidas do ambiente, geralmente utilizando a equação de Bellman para atualizações. Essa abordagem tem mostrado um desempenho notável em diversas aplicações, incluindo IA de jogos, navegação robótica e controle adaptativo.

Uma das vantagens do Q-learning é sua simplicidade e facilidade de implementação, além de sua capacidade de lidar com espaços de estado de alta dimensão. No entanto, também apresenta desvantagens, como velocidade de convergência lenta, necessidade de extensa exploração e potencial instabilidade em certos cenários.

Olhando para o futuro, a integração do Q-learning com técnicas de aprendizado profundo (conhecida como Redes Q Profundas ou DQN) deve resultar em um desempenho melhor em ambientes mais complexos. Portanto, entender os princípios básicos e as aplicações do Q-learning é crucial para a pesquisa e aplicação em aprendizado por reforço.