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 cấp là gì

Mô hình phân cấp là một khung lý thuyết thiết yếu được sử dụng rộng rãi trong nhiều lĩnh vực như khoa học máy tính, quản lý và khoa học xã hội. Nó tổ chức các hệ thống phức tạp thành các mức phân cấp, giúp các nhà nghiên cứu và chuyên gia hiểu và phân tích cấu trúc dữ liệu, quy trình ra quyết định và hành vi tổ chức.

Ý tưởng cốt lõi của Mô hình phân cấp là phân tách một hệ thống thành các cấp độ khác nhau, mỗi cấp có chức năng và vai trò riêng. Cách đơn giản hóa này giúp dễ dàng phân tích. Ví dụ, trong các hệ thống thông tin, Mô hình phân cấp có thể hỗ trợ thiết kế kiến trúc cơ sở dữ liệu, trong đó dữ liệu được phân đoạn thành nhiều cấp, giúp quản lý và truy cập dễ dàng hơn.

Các tình huống ứng dụng điển hình bao gồm cấu trúc tổ chức trong doanh nghiệp, hệ sinh thái và xử lý dữ liệu cũng như thiết kế thuật toán trong khoa học máy tính. Một lợi thế của Mô hình phân cấp là khả năng hiển thị rõ ràng các mối quan hệ giữa các cấp khác nhau, giúp hỗ trợ ra quyết định và tối ưu hóa. Tuy nhiên, nhược điểm là nếu sự phân chia cấp bậc không đủ rõ ràng, có thể dẫn đến mất thông tin hoặc giảm hiệu quả xử lý.

Các xu hướng tương lai bao gồm điều chỉnh động và quản lý thích ứng của Mô hình phân cấp, đặc biệt là khi xử lý dữ liệu lớn và môi trường thay đổi nhanh chóng. Giữ cho mô hình linh hoạt và hiệu quả sẽ là một thách thức lớn.