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

Meta-learning là gì

Meta-learning, còn được gọi là 'học cách học', là một khái niệm quan trọng trong lĩnh vực học máy. Nó đề cập đến cách tiếp cận để học cách học hiệu quả hơn, từ đó nâng cao hiệu suất của một mô hình trong các tác vụ mới. Mục tiêu cơ bản là cho phép mô hình thích ứng nhanh chóng với các tác vụ học tập khác nhau với dữ liệu hoặc kinh nghiệm tối thiểu.

Tầm quan trọng của meta-learning nằm ở khả năng giảm thời gian đào tạo và cải thiện khả năng thích ứng của mô hình trong các môi trường mới. Trong học máy truyền thống, các mô hình thường cần một lượng lớn dữ liệu đã gán nhãn để đào tạo, trong khi meta-learning tận dụng kiến thức hoặc kinh nghiệm hiện có để tăng tốc quá trình học. Các phương pháp phổ biến bao gồm chọn thuật toán phù hợp, tối ưu hóa siêu tham số và sử dụng các cơ chế thích ứng để điều chỉnh chiến lược học tập.

Trong các tình huống điển hình, meta-learning có thể được áp dụng trong nhiều lĩnh vực như xử lý ngôn ngữ tự nhiên, thị giác máy tính và học tập robot. Ví dụ, trong thị giác máy tính, meta-learning có thể giúp mô hình nhanh chóng thích ứng và phân loại chính xác các loại hình ảnh mới.

Nhìn về tương lai, khi sự đa dạng của dữ liệu và nhiệm vụ tiếp tục tăng lên, tầm quan trọng của meta-learning dự kiến sẽ tăng lên. Nó hứa hẹn sẽ đóng một vai trò lớn hơn trong các lĩnh vực như học máy tự động (AutoML) và hệ thống gợi ý cá nhân hóa. Tuy nhiên, meta-learning cũng phải đối mặt với một số thách thức, chẳng hạn như cách chọn người học cơ sở phù hợp và cách thiết kế phân phối nhiệm vụ hiệu quả.