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 Regularização

A regularização é uma técnica utilizada em modelagem estatística e aprendizado de máquina para prevenir o overfitting. O overfitting ocorre quando um modelo se sai bem nos dados de treinamento, mas não consegue generalizar para novos dados, levando a previsões imprecisas. Ao introduzir restrições ou termos de penalização adicionais, a regularização ajuda a simplificar o modelo e melhorar seu desempenho em dados não vistos.

Por um lado, a regularização suprime a influência de modelos complexos ao adicionar um termo de penalização (como norma L1 ou L2), incentivando o modelo a aprender estruturas mais simples, o que geralmente melhora sua capacidade de generalização. Métodos comuns de regularização incluem a regressão Ridge (regularização L2) e a regressão Lasso (regularização L1). Esses métodos têm mostrado excelente desempenho em várias aplicações práticas, como reconhecimento de imagem e tarefas de processamento de linguagem natural.

Por outro lado, embora a regularização ajude a melhorar a estabilidade do modelo e seu poder preditivo, ela também pode resultar na perda de informações, especialmente em conjuntos de dados menores. Além disso, a escolha do parâmetro de regularização adequado é um desafio, pois a regularização excessiva pode levar ao underfitting.

No futuro, à medida que os conjuntos de dados continuam a se expandir e a capacidade computacional melhora, as técnicas de regularização também estão evoluindo. Por exemplo, novos métodos de regularização, como dropout e normalização em lote, estão sendo cada vez mais aceitos, demonstrando sua importância no aprendizado profundo. No geral, a regularização é uma abordagem fundamental para construir modelos eficientes e robustos, e sua importância só aumentará com o desenvolvimento contínuo da aprendizagem de máquina.