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

Deep Learning là gì

Deep Learning - AI and technology concept illustration

© 2025 / unsplash.com

Deep learning là một nhánh của machine learning, sử dụng mạng nơ-ron đa tầng để phân tích dữ liệu và nhận diện mẫu. Khái niệm cốt lõi của nó là mô phỏng cấu trúc và chức năng của não người, sử dụng một lượng lớn dữ liệu và sức mạnh tính toán để học các biểu diễn đặc trưng.

Ý nghĩa của deep learning nằm ở khả năng xử lý dữ liệu phức tạp. So với các thuật toán máy học truyền thống, deep learning có khả năng tự động trích xuất đặc trưng, từ đó giảm thiểu sự can thiệp thủ công. Điều này đã dẫn đến hiệu suất vượt trội trong nhiều ứng dụng như xe tự lái và phân tích hình ảnh y tế. Trong tương lai, với sự tiến bộ của phần cứng tính toán và sự bùng nổ của dữ liệu lớn, dự kiến rằng phạm vi ứng dụng của deep learning sẽ mở rộng hơn nữa.

Tuy nhiên, deep learning cũng có một số nhược điểm, bao gồm yêu cầu dữ liệu lớn, quy trình huấn luyện có thể tốn nhiều thời gian và khả năng giải thích mô hình thấp. Thêm vào đó, vấn đề overfitting trở nên đặc biệt rõ rệt khi dữ liệu không đủ. Do đó, cần cân nhắc những khía cạnh này trong các ứng dụng thực tiễn.