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

Juxtaposition là gì?

Juxtaposition là một thuật ngữ có nguồn gốc từ tiếng Latin, có nghĩa là 'đặt cạnh nhau'. Thuật ngữ này thường được sử dụng trong các lĩnh vực nghệ thuật, văn học, nhiếp ảnh và thiết kế để làm nổi bật sự tương phản hoặc sự tương đồng giữa hai hoặc nhiều yếu tố. Kỹ thuật này cho phép người xem thực hiện các so sánh trực quan hoặc khái niệm, từ đó kích thích tư duy sâu sắc hơn.

Trong lịch sử nghệ thuật, juxtaposition có thể được truy tìm đến nhiều nghệ sĩ lớn và phong trào như Ấn tượng và Siêu thực. Bằng cách đặt các tác phẩm có phong cách, màu sắc hoặc chủ đề khác nhau cạnh nhau, các nghệ sĩ có thể tạo ra những ý nghĩa và cảm xúc mới. Ví dụ, Picasso đã thách thức sự thể hiện truyền thống trong các tác phẩm lập thể của mình bằng cách juxtaposition các góc nhìn và yếu tố khác nhau.

Trong văn học, juxtaposition thường được sử dụng để tương phản các nhân vật, cốt truyện hoặc chủ đề, làm tăng độ sâu của câu chuyện. Ví dụ, Charles Dickens thường làm nổi bật những bất công xã hội bằng cách juxtaposition cuộc sống của những người giàu và nghèo trong các tiểu thuyết của ông.

Với sự phát triển của phương tiện truyền thông kỹ thuật số, việc áp dụng juxtaposition tiếp tục mở rộng. Các nhà thiết kế và người sáng tạo tận dụng kỹ thuật này để tạo ra những hình ảnh nổi bật trên mạng xã hội, quảng cáo và quảng bá thương hiệu.

Tuy nhiên, cũng cần lưu ý rằng việc sử dụng juxtaposition cũng có giới hạn của nó. Việc sử dụng quá mức hoặc không đúng cách có thể dẫn đến sự nhầm lẫn hoặc hiểu lầm, vì vậy điều quan trọng là phải xem xét cẩn thận hiệu ứng của nó.