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 Dados de Treinamento

Dados de treinamento referem-se ao conjunto de dados usado para treinar modelos de aprendizado de máquina. É um componente central dos campos de aprendizado de máquina e inteligência artificial, afetando diretamente o desempenho e a precisão dos modelos.

A qualidade e a diversidade dos dados de treinamento determinam a eficácia do modelo em aplicações do mundo real. Por exemplo, em tarefas de reconhecimento de imagem, os dados de treinamento podem incluir milhares de imagens rotuladas para que o modelo aprenda a identificar diferentes objetos.

No processo de aprendizado de máquina, a coleta e o processamento de dados são etapas cruciais. Os dados precisam passar por limpeza, rotulagem e divisão para garantir sua qualidade e aplicabilidade. O tamanho e a complexidade do conjunto de dados também podem afetar o tempo de treinamento e a capacidade de generalização do modelo.

Tendências futuras indicam que os avanços tecnológicos, como modelos geradores e métodos de aprendizado auto-supervisionado, estão mudando as necessidades de dados de treinamento. Essas abordagens podem aprender de forma eficaz com menos dados rotulados, reduzindo a dependência de grandes conjuntos de dados de treinamento.

Quanto às vantagens e desvantagens, a vantagem dos dados de treinamento é que eles são fundamentais para o sucesso do aprendizado de máquina, fornecendo o material para o modelo aprender. No entanto, a coleta e a rotulagem de dados podem ser muito demoradas e caras. Além disso, o viés de dados e questões de privacidade também podem afetar a imparcialidade e a confiabilidade dos modelos.