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 o problema XOR

O problema XOR é um problema clássico na ciência da computação e no aprendizado de máquina que envolve a operação lógica XOR (ou exclusivo). Na lógica binária, a operação XOR retorna verdadeiro quando as duas entradas booleanas são diferentes (ou seja, uma é verdadeira e a outra é falsa). Este problema é particularmente importante no contexto de redes neurais e aprendizado profundo, pois ilustra as limitações dos modelos lineares simples em lidar com relações não lineares.

Um exemplo clássico do problema XOR envolve combinações de entradas binárias (0 ou 1), onde a regra de saída é: entradas (0,0) e (1,1) resultam em 0, enquanto entradas (0,1) e (1,0) resultam em 1. Essa relação lógica simples não pode ser aprendida corretamente por redes neurais simples, como o perceptron de uma camada, que só pode representar padrões linearmente separáveis.

Na história do aprendizado de máquina, o problema XOR foi um marco importante no desenvolvimento de redes neurais. Pesquisas iniciais mostraram que modelos de aprendizado profundo (ou seja, redes neurais de múltiplas camadas) podem resolver efetivamente o problema XOR, comprovando a capacidade e aplicabilidade das redes neurais profundas. No futuro, a pesquisa sobre o problema XOR continuará a impulsionar o desenvolvimento de modelos não lineares e estruturas de dados complexas.

Em termos de vantagens, o problema XOR nos ajuda a entender e projetar melhor modelos de aprendizado de máquina complexos; no entanto, modelos muito simples podem se mostrar inadequados diante desse desafio. Considerações importantes incluem levar em conta as características dos dados de entrada ao projetar um modelo e escolher a arquitetura e a função de ativação adequadas.