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

Mô hình là gì

Thuật ngữ 'Mô hình' có thể đề cập đến nhiều khái niệm khác nhau trong các lĩnh vực khác nhau. Trong khoa học và kỹ thuật, một mô hình là một sự trừu tượng giúp đơn giản hóa và đại diện cho một khía cạnh nhất định của thế giới thực, cho phép dự đoán và phân tích các hệ thống phức tạp. Ví dụ, các mô hình khí hậu hoặc kinh tế giúp các nhà nghiên cứu mô phỏng hành vi mà không cần thử nghiệm trực tiếp.

Trong kinh doanh và phát triển sản phẩm, một mô hình thường đại diện cho một nguyên mẫu hoặc phân tích dự đoán về hiệu suất thị trường. Các mô hình có ưu điểm là cho phép suy diễn trong những tình huống mà các thí nghiệm trực tiếp có thể không khả thi. Tuy nhiên, các mô hình cũng có những hạn chế, vì sự đơn giản hóa quá mức có thể dẫn đến các kết luận không chính xác.

Trong lĩnh vực công nghệ, đặc biệt là trong học máy và trí tuệ nhân tạo, một mô hình đề cập đến sự kết hợp của các thuật toán và tập dữ liệu được sử dụng để thực hiện dự đoán hoặc phân loại. Với sự phát triển của công nghệ, độ phức tạp của các mô hình đang tăng lên liên tục, và các xu hướng trong tương lai có thể dẫn đến các mô hình thông minh và thích ứng hơn.

Có nhiều loại mô hình khác nhau, bao gồm mô hình tuyến tính, mô hình phi tuyến và mô hình học sâu, với các ứng dụng từ nghiên cứu khoa học đến phân tích kinh doanh và thiết kế sản phẩm.