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 Instance / Sample là gì

Các thuật ngữ 'Instance' và 'Sample' được sử dụng trong nhiều lĩnh vực, đặc biệt là trong khoa học máy tính, thống kê và phân tích dữ liệu. Trong khoa học máy tính, 'instance' đề cập đến một đối tượng cụ thể được tạo ra từ một lớp, trong khi 'sample' đại diện cho một tập con dữ liệu được trích xuất từ một tập dữ liệu lớn hơn để phân tích và suy luận.

Trong học máy, một instance có thể được coi là một điểm dữ liệu duy nhất cần thiết cho việc huấn luyện mô hình, trong khi một sample đề cập đến một phần của tập dữ liệu được chọn cho việc huấn luyện, xác thực hoặc kiểm tra mô hình. Ví dụ, mỗi hàng trong một tập dữ liệu có thể được xem là một instance, trong khi các hàng cụ thể được chọn từ tập dữ liệu đóng vai trò là sample cho nghiên cứu.

Việc áp dụng các khái niệm này là rất quan trọng trong nghiên cứu khoa học và phát triển kỹ thuật. Trong thống kê, các nhà nghiên cứu cần lấy mẫu từ một tổng thể để suy luận các đặc điểm, do đó sự đại diện của các mẫu là rất quan trọng. Trong lập trình, quá trình khởi tạo đối tượng là rất quan trọng để hiểu lập trình hướng đối tượng.

Với sự phát triển nhanh chóng của khoa học dữ liệu và học máy, việc hiểu các khái niệm instance và sample ngày càng trở nên quan trọng. Trong tương lai, khi công nghệ trí tuệ nhân tạo tiếp tục phát triển, cách chúng ta sử dụng instance và sample sẽ ảnh hưởng trực tiếp đến hiệu suất của mô hình và hiệu quả của nghiên cứu.