Glossary

0-9

1-shot learning 2-stage detector 3D convolution 4D data 5G + AI 6DoF pose estimation 7D representation 8-bit quantization 9-layer network 0-shot learning

A

AGI / Artificial General Intelligence Artificial Intelligence (AI)Attention Algorithm Autoencoder

B

BERT Boosting Bias Backpropagation Batch Normalization

C

Cross-Validation Classifier / Classification CNN / Convolutional Neural Network Chatbot Clustering

D

Deepfake Discriminative Model Data Augmentation Deep Learning Deterministic Model

E

Epoch Explainable AI (XAI)Embedding Encoder Ensemble Learning

F

Forward Propagation Foundation Model Fine-tuning Feature Extraction Fusion / Multimodal Fusion

G

GAN / Generative Adversarial Network Grounding Graph Neural Network (GNN)Gradient Descent Generative AI

H

Hierarchical Model Hallucination Heuristic Hyperparameter Hidden Layer

I

Instruction tuning Imbalanced Data Instance / Sample Intelligence Amplification / Augmentation Interpretability

J

JAX JSONL / JSON-lines Juxtaposition Jittering Joint Embedding

K

K-Shot Learning Kernel Trick KL Divergence (Kullback–Leibler Divergence)K-means Clustering Knowledge Distillation

L

LSTM / Long Short-Term Memory Large Language Model (LLM)Learning Rate Loss Function Latent Variable

M

Meta-learning Multimodal / Multimodality Multi-head Attention Model Machine Learning (ML)

N

NLU / Natural Language Understanding Novelty Detection / Anomaly Detection Normalization Neural Network NLP / Natural Language Processing

O

One-hot Encoding Optimizer Objective Function Online Learning Overfitting

P

Prompt Pooling Parameter Policy / Reinforcement Learning Policy Pretraining

Q

Q-learning Quality Estimation Query Quantization Queue / Buffer

R

RNN / Recurrent Neural Network Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Regularization Representation Learning

S

Softmax Sampling Sequence Modeling Supervised Learning Self-Supervised Learning

T

Tokenizer Transformer Training Data Tuning / Hyperparameter Tuning Transfer Learning

U

U-Net Uncertainty Estimation Underfitting Unsupervised Learning Universal Approximation Theorem

V

Vision Transformer (ViT)Vector Embedding Vanishing / Exploding Gradient Variational Autoencoder (VAE)Validation Set

W

Weight Decay Workflow Weak Supervision Whitening / Whitening Transformation Word Embedding

X

X-axis / feature axis XLM XLNet XAI / Explainable AI XOR problem

Y

YAGNI (You Aren't Gonna Need It)Yoga of AI Y-transform / YUV Y-axis / feature axis Yield (model yield / throughput)

Z

Z-score Normalization Zygosity in augmentation Zero-centric / Zero-bias initialization Zero-gradient phenomenon Zero-shot Learning / Zero-shot inference

什麼是 JSONL / JSON-lines

JSONL（JSON Lines）是一種儲存結構化數據的格式，其中每條記錄都是單獨的一行，以 JSON 格式表示。這種格式在處理大規模數據集時具有優勢，便於流式處理和逐行讀取。JSONL 在大數據處理、日誌記錄和機器學習等領域得到了廣泛應用。

JSONL 的設計旨在提供一種簡單、高效的方式來處理 JSON 數據。與傳統的 JSON 文件不同，JSONL 文件中的每一行都是一個完整的 JSON 對象，這使得增量讀取數據變得簡單。用戶可以逐行讀取和解析數據，而無需將整個文件加載到內存中，這對於大規模數據集尤其重要。

在實際應用中，JSONL 格式常用於數據交換和儲存，例如在數據管道中，數據從一個系統傳輸到另一個系統時，可以利用 JSONL 的逐行特性來確保數據的完整性和一致性。此外，許多現代數據處理工具和框架（如 Apache Kafka、Spark 等）都支持 JSONL 格式，使其成為數據科學家和工程師的重要工具。

未來，隨著數據量的持續增加，JSONL 格式可能會在數據儲存和處理領域變得越來越普遍，特別是在需要高效數據傳輸和處理的場景中。然而，使用 JSONL 也有一些注意事項，例如對於複雜的嵌套結構，解析可能會相對繁瑣。此外，JSONL 文件沒有標準的元數據描述機制，這可能會影響數據的可解釋性。