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

Khái niệm Heuristic là gì

Heuristic là một phương pháp giải quyết vấn đề hoặc ra quyết định dựa trên các cách tiếp cận thực tiễn dựa trên kinh nghiệm và trực giác. Thuật ngữ này có nguồn gốc từ từ Hy Lạp có nghĩa là 'khám phá', được sử dụng rộng rãi trong các lĩnh vực như tâm lý học và khoa học máy tính.

Trong trí tuệ nhân tạo, các thuật toán heuristic thường được sử dụng để nhanh chóng tìm ra các giải pháp gần đúng cho các vấn đề phức tạp mà không cần tìm kiếm toàn diện. Ví dụ, thuật toán A* là một thuật toán tìm kiếm heuristic nổi tiếng được sử dụng để tìm đường đi ngắn nhất trong các hệ thống định vị.

Một trong những lợi thế chính của các phương pháp heuristic là tính hiệu quả của chúng, đặc biệt khi đối mặt với các vấn đề phức tạp cần giải pháp nhanh chóng. Tuy nhiên, chúng cũng có thể dẫn đến thiên lệch hoặc kết quả không chính xác, do đó cần phải xem xét cẩn thận những hạn chế của chúng.

Nhìn về tương lai, những tiến bộ công nghệ cho thấy các phương pháp heuristic có thể ngày càng được tích hợp với học máy, nâng cao khả năng ra quyết định và hiệu quả trong việc giải quyết vấn đề. Nhìn chung, heuristics đóng vai trò quan trọng trong khoa học và công nghệ hiện đại, xứng đáng được nghiên cứu và áp dụng thêm.