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

Autoencoder là gì

Autoencoder là một thuật toán học không giám sát sử dụng mạng nơ-ron nhân tạo để học các biểu diễn hiệu quả của dữ liệu.

Nó hoạt động bằng cách mã hóa dữ liệu đầu vào thành một biểu diễn có kích thước thấp hơn và sau đó giải mã lại về dạng gốc, nhằm tối thiểu hóa sự khác biệt giữa đầu vào và đầu ra.

Autoencoder có thể được áp dụng trong nhiều lĩnh vực như xử lý hình ảnh, xử lý ngôn ngữ tự nhiên và phát hiện bất thường, trở thành một công cụ mạnh mẽ cho việc trích xuất đặc trưng và nén dữ liệu.

Mặc dù chúng có ưu điểm như xử lý cấu trúc dữ liệu phức tạp mà không cần dữ liệu được gán nhãn, chúng cũng có thể gặp phải các vấn đề như overfitting.

Khi học sâu phát triển, các autoencoder dự kiến sẽ tìm thấy nhiều ứng dụng hơn, đặc biệt trong các lĩnh vực như lái xe tự động và hệ thống gợi ý.

Cấu hình mô hình, tiền xử lý dữ liệu và lựa chọn siêu tham số là rất quan trọng để đảm bảo hiệu quả và tính ổn định của autoencoder.