Glossary

0-9

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

A

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

B

Backpropagation BERT Boosting Batch Normalization Bias

C

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

D

Deep Learning Deepfake Discriminative Model Deterministic Model Data Augmentation

E

Embedding Encoder Epoch Ensemble Learning Explainable AI (XAI)

F

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

G

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

H

Hyperparameter Heuristic Hidden Layer Hierarchical Model Hallucination

I

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

J

JAX Jittering Joint Embedding JSONL / JSON-lines Juxtaposition

K

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

L

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

M

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

N

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

O

Objective Function Online Learning One-hot Encoding Overfitting Optimizer

P

Policy / Reinforcement Learning Policy Pooling Pretraining Prompt Parameter

Q

Queue / Buffer Quantization Q-learning Query Quality Estimation

R

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

S

Supervised Learning Self-Supervised Learning Sequence Modeling Sampling Softmax

T

Training Data Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning

U

Universal Approximation Theorem Unsupervised Learning U-Net Underfitting Uncertainty Estimation

V

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

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

XOR problem X-axis / feature axis 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

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

Dữ liệu 4D là gì

Dữ liệu 4D đề cập đến một tập dữ liệu bao gồm bốn chiều, thường bao gồm thời gian, không gian và các biến bổ sung. Khái niệm này mở rộng dữ liệu ba chiều truyền thống bằng cách thêm một chiều thời gian hoặc thông tin liên quan khác. Dữ liệu 4D đặc biệt hữu ích trong các lĩnh vực như nghiên cứu khoa học, kỹ thuật, hình ảnh y tế, khí tượng và thực tế ảo.

Ví dụ, trong hình ảnh y tế, dữ liệu 4D có thể được sử dụng để hình dung những thay đổi động của một cơ quan, giúp bác sĩ hiểu rõ hơn về tình trạng của bệnh nhân. Trong khí tượng, nó giúp phân tích sự phân bố không-thời gian của sự thay đổi khí hậu. Tuy nhiên, sự gia tăng độ phức tạp của dữ liệu có thể tạo ra những thách thức về lưu trữ và xử lý.

Mặc dù có những thách thức này, khi khả năng tính toán và công cụ phân tích dữ liệu tiếp tục phát triển, việc sử dụng dữ liệu 4D dự kiến sẽ trở nên phổ biến hơn. Với sự tiến bộ của công nghệ thực tế ảo và tăng cường, dữ liệu 4D có thể đóng một vai trò quan trọng trong nhiều ứng dụng rộng rãi hơn.