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

K-means Clustering là gì

K-means Clustering là một thuật toán học không giám sát phổ biến được sử dụng để phân chia các điểm dữ liệu thành K cụm khác nhau. Mỗi cụm được định nghĩa bởi tâm cụm, là trung bình của các điểm được gán cho cụm đó. Thuật toán lặp đi lặp lại việc gán các điểm dữ liệu cho tâm gần nhất và tính toán lại các tâm cho đến khi hội tụ.

Quá trình bắt đầu bằng việc chọn ngẫu nhiên K tâm ban đầu. Sau đó, mỗi điểm dữ liệu được gán cho cụm được đại diện bởi tâm gần nhất. Sau khi tất cả các điểm được gán, các tâm được cập nhật bằng cách tính trung bình của tất cả các điểm trong mỗi cụm. Quá trình này lặp lại cho đến khi các tâm không thay đổi đáng kể hoặc đạt đến số lần lặp tối đa.

K-means được sử dụng rộng rãi trong nhiều lĩnh vực như phân khúc thị trường, phân tích mạng xã hội và xử lý hình ảnh. Tuy nhiên, nó cũng có những hạn chế, chẳng hạn như nhạy cảm với vị trí tâm ban đầu và khó khăn trong việc xử lý các cụm không hình cầu. Khi khối lượng dữ liệu tăng lên, K-means có thể tiến hóa bằng cách kết hợp với các thuật toán khác để hình thành các giải pháp phân cụm mạnh mẽ hơn.