TopAIToolsTopAITools

Glossary

0-9
1-shot learning5G + AI7D representation0-shot learning3D convolution4D data2-stage detector6DoF pose estimation8-bit quantization9-layer network
A
AGI / Artificial General IntelligenceAlgorithmAttentionAutoencoderArtificial Intelligence (AI)
B
BackpropagationBERTBiasBoostingBatch Normalization
C
ChatbotClassifier / ClassificationClusteringCNN / Convolutional Neural NetworkCross-Validation
D
Data AugmentationDeep LearningDeepfakeDeterministic ModelDiscriminative Model
E
Ensemble LearningEmbeddingEncoderEpochExplainable AI (XAI)
F
Feature ExtractionFine-tuningFusion / Multimodal FusionFoundation ModelForward Propagation
G
Gradient DescentGAN / Generative Adversarial NetworkGroundingGenerative AIGraph Neural Network (GNN)
H
Hidden LayerHallucinationHeuristicHyperparameterHierarchical Model
I
Intelligence Amplification / AugmentationImbalanced DataInstance / SampleInstruction tuningInterpretability
J
JAXJitteringJoint EmbeddingJSONL / JSON-linesJuxtaposition
K
Knowledge DistillationKL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKernel Trick
L
Loss FunctionLSTM / Long Short-Term MemoryLearning RateLarge Language Model (LLM)Latent Variable
M
Machine Learning (ML)Meta-learningModelMulti-head AttentionMultimodal / Multimodality
N
Novelty Detection / Anomaly DetectionNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNormalizationNeural Network
O
Online LearningObjective FunctionOne-hot EncodingOptimizerOverfitting
P
ParameterPolicy / Reinforcement Learning PolicyPoolingPretrainingPrompt
Q
Quality EstimationQueue / BufferQ-learningQuantizationQuery
R
Representation LearningReinforcement Learning (RL)Retrieval Augmented Generation (RAG)RegularizationRNN / Recurrent Neural Network
S
SamplingSelf-Supervised LearningSupervised LearningSequence ModelingSoftmax
T
Training DataTokenizerTransfer LearningTransformerTuning / Hyperparameter Tuning
U
Unsupervised LearningUncertainty EstimationUniversal Approximation TheoremU-NetUnderfitting
V
Vector EmbeddingVanishing / Exploding GradientValidation SetVariational Autoencoder (VAE)Vision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
X-axis / feature axisXOR problemXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisY-transform / YUVYAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI
Z
Zero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZ-score NormalizationZero-gradient phenomenonZygosity in augmentation

O que é 1-shot learning

1-shot learning é uma abordagem de aprendizado de máquina que se concentra em como aprender a partir de apenas uma amostra de treinamento para uma classificação eficaz. Este método é particularmente útil em cenários onde os dados são escassos, como reconhecimento de imagem e processamento de linguagem natural. Ao contrário dos modelos de aprendizado profundo tradicionais, que exigem grandes conjuntos de dados para treinamento, o 1-shot learning utiliza conhecimentos prévios e aprendizado de transferência para permitir que os modelos aprendam e façam previsões precisas a partir de amostras limitadas.


A importância do 1-shot learning reside em sua capacidade de reduzir drasticamente os custos de coleta e anotação de dados, especialmente em áreas como imagem médica e vigilância de segurança, onde obter grandes quantidades de dados rotulados pode ser desafiador e caro. Por meio dessa abordagem de aprendizado, os modelos podem se adaptar rapidamente a novas tarefas, minimizando o tempo de treinamento e o consumo de recursos.


Essa técnica de aprendizado geralmente envolve a geração de embeddings de características e o uso de métricas de distância (como distância euclidiana ou similaridade cosseno) para determinar a similaridade entre novas amostras e amostras conhecidas. Técnicas comuns incluem redes Siamese, redes de protótipos e aprendizado de métricas.


Os casos de uso típicos incluem reconhecimento facial, detecção de objetos e reconhecimento de voz. Por exemplo, no reconhecimento facial, o sistema precisa apenas fornecer uma imagem de um novo rosto para identificar essa pessoa com precisão. No futuro, a tendência do 1-shot learning será em direção a maior precisão e aplicação mais ampla, especialmente em processamento em tempo real e aprendizado online.


No entanto, o 1-shot learning também possui limitações; os modelos podem ser muito sensíveis à escolha das amostras e, se a qualidade das amostras for baixa, o resultado do aprendizado pode não ser ideal. Portanto, ao aplicar esse método, é necessário selecionar as amostras com cuidado e considerar a diversidade dos dados.