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 Estimativa de Incerteza

A Estimativa de Incerteza é uma técnica utilizada em estatística, aprendizado de máquina e ciência da decisão para avaliar a incerteza das previsões de modelos ou resultados de decisões. Sua importância reside no fato de que entender a incerteza das previsões pode ajudar os tomadores de decisão a avaliar riscos e formular estratégias de forma mais eficaz.

No aprendizado de máquina, especialmente no aprendizado profundo, os modelos geralmente produzem uma saída determinística, que nem sempre reflete a complexidade do mundo real. Por meio da estimativa de incerteza, os pesquisadores podem avaliar os níveis de confiança das previsões do modelo. Por exemplo, na análise de imagens médicas, um modelo pode fornecer diferentes níveis de confiança para o diagnóstico de certas lesões, e entender esses níveis pode ajudar os médicos a tomar decisões mais informadas.

Existem vários métodos para estimativa de incerteza, incluindo métodos bayesianos, ensembles de modelos e métodos de Monte Carlo. Cada método tem suas próprias vantagens e desvantagens; por exemplo, os métodos bayesianos tendem a ser mais precisos, mas custam muito em termos de computação, enquanto os ensembles de modelos podem melhorar a precisão, mas também podem levar ao sobreajuste.

Olhando para o futuro, a importância da estimativa de incerteza continuará a crescer com a ampla aplicação da inteligência artificial e aprendizado de máquina. Os pesquisadores estão explorando algoritmos mais eficientes para melhorar a precisão e a velocidade da estimativa de incerteza para lidar com dados e modelos cada vez mais complexos.

Ao realizar a estimativa de incerteza, várias considerações devem ser levadas em conta: primeiro, escolher o modelo e o algoritmo apropriados; segundo, a qualidade e a quantidade dos dados afetarão diretamente os resultados; por último, os tomadores de decisão precisam entender o significado das saídas do modelo para tomar decisões eficazes.