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

Trích xuất đặc trưng là gì

Trích xuất đặc trưng là một kỹ thuật tiền xử lý dữ liệu quan trọng được sử dụng trong học máy và khai thác dữ liệu. Mục tiêu chính của nó là trích xuất các đặc trưng quan trọng từ dữ liệu thô để nâng cao hiệu suất và độ chính xác của các mô hình.

Quá trình này thường liên quan đến nhiều phương pháp và kỹ thuật khác nhau, chẳng hạn như Phân tích Thành phần Chính (PCA), Phân tích Phân biệt Tuyến tính (LDA) và Mạng Nơ-ron Tích chập (CNN). Những phương pháp này giúp giảm chiều dữ liệu trong khi vẫn giữ lại thông tin quan trọng nhất, giúp các phân tích sau đó trở nên hiệu quả hơn.

Trong các ứng dụng thực tế, trích xuất đặc trưng được sử dụng rộng rãi trong nhận diện hình ảnh, phân loại văn bản và nhận diện âm thanh. Ví dụ, trong nhận diện hình ảnh, các kỹ thuật trích xuất đặc trưng có thể xác định và phân loại hiệu quả các nội dung hình ảnh khác nhau. Khi trí tuệ nhân tạo tiếp tục phát triển, các phương pháp và công nghệ trích xuất đặc trưng cũng sẽ tiến triển để phù hợp với dữ liệu và kịch bản ứng dụng phức tạp hơn.

Tuy nhiên, trích xuất đặc trưng cũng có những hạn chế. Ví dụ, việc chọn đặc trưng không phù hợp có thể dẫn đến giảm hiệu suất của mô hình, và một số phương pháp có thể yêu cầu tài nguyên tính toán đáng kể. Vì vậy, việc lựa chọn các phương pháp và đặc trưng trích xuất phù hợp là một vấn đề quan trọng.