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

Dữ liệu không cân bằng là gì

Dữ liệu không cân bằng đề cập đến một tình huống trong học máy mà phân phối lớp không đồng đều. Điều này thường dẫn đến các mô hình hoạt động kém ở các lớp thiểu số. Ví dụ, trong phát hiện gian lận, số lượng giao dịch gian lận thường ít hơn rất nhiều so với giao dịch hợp pháp. Sự mất cân bằng này có thể làm lệch các dự đoán của mô hình về phía lớp đa số, ảnh hưởng đến hiệu quả tổng thể của nó.

Khi xử lý dữ liệu không cân bằng, các kỹ thuật như lấy mẫu quá mức lớp thiểu số hoặc lấy mẫu thiếu lớp đa số thường được sử dụng. Ngoài ra, việc sử dụng các chỉ số đánh giá cụ thể như điểm F1 hoặc AUC có thể giúp hiểu rõ hơn về hiệu suất của mô hình trên các tập dữ liệu không cân bằng. Những phương pháp này đảm bảo rằng mô hình học được cách xác định hiệu quả các lớp thiểu số, điều này là rất quan trọng trong các ứng dụng như chẩn đoán y tế hoặc phát hiện gian lận.

Với sự phát triển của khoa học dữ liệu, các chiến lược mới như Mạng đối kháng sinh (GANs) đang xuất hiện để giải quyết vấn đề này. Tuy nhiên, cần cẩn trọng để tránh việc quá mức hoặc mất thông tin quý giá. Việc chọn lựa cách tiếp cận phù hợp dựa trên bối cảnh cụ thể là điều cần thiết để xây dựng các mô hình đáng tin cậy.