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

Biến tiềm ẩn là gì

Biến tiềm ẩn đề cập đến các biến không thể quan sát trực tiếp mà được suy ra từ các biến khác. Những biến này đóng vai trò quan trọng trong nhiều lĩnh vực như khoa học xã hội, kinh tế, tâm lý học và học máy.

Ví dụ, trong tâm lý học, mức độ thông minh hoặc đặc điểm tính cách là những biến tiềm ẩn có thể được suy ra từ một tập hợp các bài kiểm tra có thể quan sát được. Các mô hình như mô hình phương trình cấu trúc giúp các nhà nghiên cứu hiểu các mối quan hệ phức tạp và xác định ảnh hưởng của các yếu tố tiềm ẩn đối với các kết quả có thể quan sát.

Lợi ích của các biến tiềm ẩn nằm ở khả năng xử lý tiếng ồn và sự không chắc chắn trong dữ liệu, đồng thời tiết lộ các mối quan hệ nguyên nhân tiềm ẩn. Tuy nhiên, việc lựa chọn các biến tiềm ẩn và xây dựng mô hình có thể ảnh hưởng đến việc diễn giải kết quả, và quá trình ước lượng thường yêu cầu các mô hình toán học phức tạp và khối lượng dữ liệu lớn.

Trong tương lai, khi khoa học dữ liệu và học máy phát triển, các mô hình biến tiềm ẩn có thể trở nên phổ biến hơn trong các lĩnh vực như phân tích thị trường và hệ thống gợi ý. Các nhà nghiên cứu và nhà phát triển ứng dụng cần chú ý đến các nền tảng lý thuyết và ứng dụng thực tiễn của các biến tiềm ẩn để đảm bảo độ tin cậy và hiệu quả của kết quả.