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

Boosting là gì

Boosting là một kỹ thuật học máy theo kiểu ensemble nhằm nâng cao độ chính xác của các mô hình dự đoán. Nó kết hợp nhiều học viên yếu, thường là cây quyết định, thành một học viên mạnh để cải thiện hiệu suất dự đoán. Phương pháp này đặc biệt hiệu quả cho các tập dữ liệu không cân bằng, vì nó nhấn mạnh việc học từ các mẫu bị phân loại sai.

Cách thức hoạt động của boosting liên quan đến một quy trình lặp đi lặp lại, trong đó thuật toán tập trung vào các điểm dữ liệu mà mô hình trước đó đã phân loại sai. Bằng cách này, boosting có thể giảm hiệu quả độ thiên lệch và phương sai, do đó cải thiện hiệu suất tổng thể của mô hình. Các thuật toán boosting phổ biến nhất bao gồm AdaBoost, Gradient Boosting và XGBoost.

Trong lĩnh vực tiếp thị, boosting cũng có thể đề cập đến các chiến lược được sử dụng để tăng cường khả năng hiển thị và ảnh hưởng của thương hiệu, thường thông qua quảng cáo trên mạng xã hội và tối ưu hóa công cụ tìm kiếm. Những chiến lược này nhằm tăng cường sự tương tác và tỷ lệ chuyển đổi của khách hàng, thúc đẩy doanh số và tăng trưởng kinh doanh.

Trong tương lai, các phương pháp boosting có thể ngày càng được tích hợp với các công nghệ học máy tiên tiến như học sâu để tạo ra các mô hình phức tạp và mạnh mẽ hơn. Tuy nhiên, cần lưu ý rằng, mặc dù các kỹ thuật boosting mang lại nhiều lợi thế, nhưng chúng cũng có thể dẫn đến hiện tượng quá khớp, đặc biệt là khi xử lý dữ liệu nhiễu.