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 Whitening / Transformação de Whitening

Whitening, geralmente associado ao cuidado da pele e dentes, refere-se ao processo de clareamento do tom da pele ou da cor dos dentes através de vários produtos e tratamentos. A demanda por produtos de clareamento aumentou significativamente nos últimos anos, refletindo uma ênfase cultural na aparência e nos padrões de beleza.

A indústria de clareamento tornou-se um mercado significativo que afeta milhões globalmente. Isso gerou discussões sobre os ingredientes usados em produtos de clareamento e sua segurança, além de narrativas culturais contínuas sobre beleza e identidade.

Os produtos de clareamento normalmente contêm ingredientes ativos como hidroquinona, vitamina C e ácidos que trabalham para inibir a produção de melanina ou promover a renovação celular. Na odontologia, o peróxido de hidrogênio é comumente usado para clarear os dentes, removendo efetivamente manchas superficiais.

À medida que as preferências dos consumidores evoluem, o futuro dos produtos de clareamento pode se inclinar para ingredientes mais seguros e naturais, com opções à base de plantas se tornando cada vez mais populares.

Embora os benefícios do clareamento incluam uma aparência melhorada e aumento da autoestima, as desvantagens potenciais incluem irritação da pele, reações alérgicas e pressão social em relação aos padrões de beleza.

Ao selecionar produtos de clareamento, os consumidores devem se concentrar na transparência dos ingredientes, escolher produtos clinicamente validados e seguir as instruções de uso para evitar problemas de pele indesejados.