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

Mô hình Phân biệt là gì

Mô hình Phân biệt là một loại mô hình thống kê được sử dụng trong học máy để phân loại các điểm dữ liệu dựa trên các đặc trưng của chúng. Khác với các mô hình sinh (Generative Model) cố gắng mô hình hóa phân phối của dữ liệu, các mô hình phân biệt tập trung vào việc học ranh giới giữa các lớp khác nhau.

Ví dụ phổ biến nhất của mô hình phân biệt là hồi quy logistic, đặc biệt được sử dụng cho các nhiệm vụ phân loại nhị phân. Các ví dụ khác bao gồm Máy Vector Hỗ trợ (SVM), cây quyết định và mạng nơ-ron trong học sâu. Những mô hình này được sử dụng rộng rãi trong nhiều lĩnh vực như nhận diện hình ảnh, phân loại văn bản và tin sinh học.

Các ưu điểm chính của mô hình phân biệt bao gồm hiệu quả và độ chính xác. Chúng thường có hiệu suất tốt hơn về độ chính xác phân loại so với các mô hình sinh, vì chúng tập trung vào việc học ranh giới quyết định. Tuy nhiên, mô hình phân biệt có thể nhạy cảm với tiếng ồn trong dữ liệu huấn luyện, đặc biệt trong các trường hợp tập dữ liệu không cân bằng. Thêm vào đó, chúng có thể gặp khó khăn trong việc nắm bắt các đặc tính phân phối tiềm ẩn của dữ liệu.

Khi học máy tiếp tục phát triển, các ứng dụng của mô hình phân biệt cũng đang mở rộng. Trong tương lai, mô hình phân biệt kết hợp với các kỹ thuật học sâu có thể vượt trội trong việc xử lý các nhiệm vụ phức tạp.