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

Clustering là gì

Clustering là một kỹ thuật phân tích dữ liệu được sử dụng rộng rãi trong học máy và khai thác dữ liệu. Mục tiêu chính của nó là nhóm một tập hợp các đối tượng thành nhiều danh mục, sao cho các đối tượng trong cùng một danh mục tương tự nhau, trong khi các đối tượng ở các danh mục khác thì khác nhau nhất có thể. Kỹ thuật này thường được sử dụng trong phân tích dữ liệu khám phá để xác định các mẫu và cấu trúc trong dữ liệu.

Có nhiều thuật toán khác nhau cho clustering, bao gồm K-means, clustering phân cấp và DBSCAN. Mỗi thuật toán đều có những ưu điểm và nhược điểm riêng, tùy thuộc vào ứng dụng. Ví dụ, thuật toán K-means phù hợp cho các tập dữ liệu lớn nhưng yêu cầu số lượng cụm được xác định trước, trong khi DBSCAN không cần giả định này và lý tưởng để xử lý dữ liệu có nhiễu.

Ứng dụng của clustering rất đa dạng, bao gồm phân khúc thị trường, phân tích mạng xã hội, xử lý hình ảnh và chẩn đoán y tế. Khi khối lượng dữ liệu và độ phức tạp tiếp tục tăng, các kỹ thuật clustering dự kiến sẽ phát triển hơn nữa, kết hợp với các công nghệ mới nổi như học sâu để nâng cao độ chính xác và hiệu quả của phân tích dữ liệu.

Tuy nhiên, clustering cũng đặt ra một số thách thức, chẳng hạn như lựa chọn thuật toán clustering phù hợp, xác định các thiết lập tham số tối ưu và đánh giá hiệu quả của kết quả clustering. Do đó, hiểu biết sâu sắc về các kỹ thuật clustering và kinh nghiệm thực tiễn là rất quan trọng đối với các nhà khoa học dữ liệu.