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

Học máy (ML) là gì

Machine Learning (ML) - AI and technology concept illustration

© 2025 / unsplash.com

Học máy (Machine Learning, ML) là một nhánh của trí tuệ nhân tạo, liên quan đến việc sử dụng các thuật toán và mô hình thống kê để cho phép các hệ thống máy tính thực hiện các nhiệm vụ cụ thể mà không cần hướng dẫn rõ ràng. Cốt lõi của nó là học và cải thiện hiệu suất thông qua các phương pháp dựa trên dữ liệu.

Cách hoạt động của học máy thường được chia thành học có giám sát, học không có giám sát và học tăng cường. Trong học có giám sát, hệ thống được đào tạo bằng dữ liệu có nhãn để dự đoán kết quả cho dữ liệu không xác định; trong học không có giám sát, hệ thống cần phát hiện các mẫu trong dữ liệu không có nhãn. Học tăng cường nhấn mạnh vào việc tương tác giữa tác nhân và môi trường thông qua thử nghiệm và sai lầm.

Ý nghĩa của học máy rõ ràng trong ảnh hưởng của nó đến nhiều ngành công nghiệp khác nhau, đặc biệt là trong y tế, tài chính và bán lẻ. Nó giúp các doanh nghiệp nâng cao hiệu quả, giảm chi phí và cải thiện trải nghiệm của khách hàng. Tuy nhiên, học máy cũng có những nhược điểm như phụ thuộc vào dữ liệu quy mô lớn, khả năng giải thích mô hình và các vấn đề tiềm ẩn về thiên kiến.

Trong tương lai, học máy sẽ tiếp tục phát triển, dẫn đến các mô hình và thuật toán phức tạp hơn, các nguồn dữ liệu phong phú hơn và sức mạnh tính toán cao hơn. Nhiều ngành công nghiệp đang khám phá các ứng dụng đổi mới của học máy, và có khả năng xuất hiện các công nghệ và giải pháp mang tính đột phá trong tương lai.

Các lưu ý liên quan bao gồm đảm bảo chất lượng và tính đại diện của dữ liệu, bảo vệ quyền riêng tư của người dùng, và đánh giá và quy định thuật toán một cách thích hợp.