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 Aprendizado Supervisionado

O Aprendizado Supervisionado é uma abordagem de aprendizado de máquina onde um modelo é treinado em um conjunto de dados rotulado. Cada exemplo de treinamento inclui dados de entrada junto com seu respectivo rótulo de saída. Esse método é amplamente utilizado em tarefas de classificação e regressão, visando prever resultados para dados não vistos ao entender a relação entre entradas e saídas.

Em termos de contexto, o aprendizado supervisionado é um ramo crucial do aprendizado de máquina, especialmente em áreas como análise de dados e modelagem preditiva. Seu funcionamento geralmente envolve várias etapas, incluindo coleta de dados, pré-processamento, seleção de modelo, treinamento e avaliação. Ao ajustar continuamente parâmetros e algoritmos do modelo, o aprendizado supervisionado pode melhorar a precisão preditiva.

Em aplicações práticas, o aprendizado supervisionado é comumente empregado em filtragem de e-mails, reconhecimento de imagens, reconhecimento de fala e previsões financeiras, entre outros. As vantagens incluem implementação relativamente fácil e maior interpretabilidade, mas as desvantagens incluem dependência de grandes conjuntos de dados rotulados e o risco de overfitting.

Olhando para o futuro, espera-se que o aprendizado supervisionado avance em tarefas mais complexas à medida que o volume de dados aumenta e o poder computacional melhora. Especialmente com o avanço das tecnologias de aprendizado profundo, as perspectivas de desenvolvimento do aprendizado supervisionado são amplas. No entanto, como obter e processar dados rotulados de forma eficaz ainda é um desafio.