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 RNN / Rede Neural Recorrente

A RNN, ou Rede Neural Recorrente, é um tipo de modelo de aprendizado profundo especialmente adequado para processar dados sequenciais, como séries temporais ou linguagem natural. Ao contrário das redes neurais tradicionais, onde as entradas e saídas são estáticas, as RNNs podem lidar com sequências dinâmicas, pois possuem uma função de 'memória' que permite reter informações de entradas anteriores para uso em saídas subsequentes.

Essa capacidade faz com que as RNNs se destaquem em áreas como processamento de linguagem natural (NLP), reconhecimento de fala e análise de vídeo. O núcleo da RNN reside em sua estrutura recorrente, que captura dependências em dados de séries temporais ao passar informações por ciclos.

No entanto, as RNNs também apresentam desvantagens, sendo os problemas de gradiente que desaparece e explode as mais notáveis, dificultando o desempenho em sequências longas. Para superar essas questões, os pesquisadores introduziram variantes mais complexas, como redes de Memória de Longo e Curto Prazo (LSTM) e Unidades Recorrentes com Gated (GRU), que têm um desempenho melhor em muitas tarefas.

Com a rápida evolução do aprendizado profundo, as aplicações das RNNs continuam a se expandir, incluindo tradução automática, análise de sentimentos e modelos generativos. No futuro, as RNNs e suas variantes continuarão a impulsionar os avanços na inteligência artificial, especialmente em áreas que necessitam do processamento de dados sequenciais.