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 Transfer Learning

Transfer learning é um conceito crucial em aprendizado de máquina, que visa transferir conhecimento de um domínio para outro domínio relacionado. Normalmente, um modelo treinado em uma tarefa pode aplicar seu conhecimento a outra tarefa, reduzindo significativamente a necessidade de grandes conjuntos de dados anotados.

No aprendizado de máquina tradicional, os modelos geralmente precisam ser treinados do zero em dados de tarefa específicos. No entanto, o transfer learning permite que os modelos aproveitem o conhecimento adquirido em tarefas relacionadas, o que é especialmente importante em cenários com dados limitados ou tempo de treinamento restrito. O funcionamento do transfer learning geralmente envolve duas etapas: primeiro, treinar o modelo no domínio de origem e, em seguida, transferi-lo para o domínio de destino para ajuste fino.

O transfer learning tem aplicações significativas em várias áreas, incluindo visão computacional, processamento de linguagem natural e reconhecimento de fala. Por exemplo, um modelo treinado em um grande conjunto de dados de imagens (como o ImageNet) pode ser transferido para uma tarefa específica de classificação de imagens.

À medida que a tecnologia de aprendizado profundo continua a evoluir, o transfer learning se tornou uma abordagem predominante, especialmente em cenários que exigem implantação rápida e utilização eficiente de recursos. Embora as vantagens do transfer learning sejam evidentes, também existem desafios, como a possibilidade de queda de desempenho quando os domínios de origem e destino não são suficientemente relacionados.