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 Underfitting

Underfitting é um conceito importante em aprendizado de máquina que se refere ao desempenho ruim de um modelo em dados de treinamento, incapaz de capturar os padrões subjacentes dos dados.

Essa situação normalmente ocorre quando o modelo é muito simples para expressar características complexas, levando a um desempenho ruim tanto no conjunto de treinamento quanto no conjunto de teste.

Identificar o underfitting é crucial para a otimização do modelo. Se um modelo sofre de underfitting, isso significa que ele não pode aprender efetivamente as características dos dados.

Causas comuns incluem o uso de modelos excessivamente simples, características insuficientes e uma quantidade pequena de dados.

Um cenário típico de underfitting ocorre quando um modelo de regressão linear é usado para ajustar um conjunto de dados que apresenta claramente uma relação não linear.

À medida que a tecnologia de aprendizado de máquina continua a evoluir, novos algoritmos e arquiteturas de modelos estão surgindo para melhor se adaptar às necessidades de aprendizado de dados complexos.

Modelos simples são computacionalmente eficientes e fáceis de interpretar, mas podem levar a um desempenho preditivo fraco se não capturarem características complexas.

Ao abordar o underfitting, é essencial manter a sensibilidade à complexidade do modelo e evitar a simplificação excessiva que pode degradar o desempenho.