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

Mạng Nơron là gì

Mạng nơron là một mô hình tính toán được lấy cảm hứng từ cách mà các mạng nơron sinh học xử lý thông tin. Nó bao gồm các nhóm nơron nhân tạo có liên kết với nhau, làm việc cùng nhau để phân tích nhiều loại dữ liệu khác nhau.

Cấu trúc cơ bản của một mạng nơron bao gồm một lớp đầu vào, một hoặc nhiều lớp ẩn và một lớp đầu ra. Mỗi nơron trong các lớp này nhận đầu vào từ lớp trước, xử lý và truyền đầu ra đến lớp tiếp theo. Kiến trúc này cho phép mạng nơron học các mẫu và mối quan hệ phức tạp trong dữ liệu.

Mạng nơron được sử dụng rộng rãi trong các ứng dụng như nhận diện hình ảnh, xử lý ngôn ngữ tự nhiên và lái xe tự động. Chúng đã cách mạng hóa các lĩnh vực này bằng cách cho phép máy tính đạt hiệu suất tương đương với con người trong những nhiệm vụ mà trước đây được coi là quá phức tạp cho máy móc.

Tuy nhiên, chúng cũng gặp phải các thách thức như cần một lượng lớn dữ liệu được gán nhãn để đào tạo và việc tính toán rất tốn kém. Hơn nữa, quá trình ra quyết định của chúng có thể không minh bạch, gây ra những lo ngại về trách nhiệm và thiên lệch.

Tương lai của mạng nơron có thể bao gồm các thuật toán hiệu quả hơn cần ít dữ liệu hơn, tăng cường tính minh bạch trong ra quyết định và khả năng tích hợp với các công nghệ mới nổi như điện toán lượng tử.