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

Chuẩn hóa là gì

Chuẩn hóa là một quá trình điều chỉnh các giá trị trong một tập dữ liệu để đảm bảo tính so sánh và độ chính xác. Nó được sử dụng rộng rãi trong nhiều lĩnh vực như thống kê, khoa học dữ liệu và quản lý cơ sở dữ liệu.

Trong thống kê, chuẩn hóa thường liên quan đến việc chuyển đổi dữ liệu thành định dạng tiêu chuẩn, thường là với giá trị trung bình bằng không và độ lệch chuẩn bằng một. Điều này giúp dễ dàng so sánh và phân tích các tập dữ liệu khác nhau.

Trong quản lý cơ sở dữ liệu, chuẩn hóa đề cập đến một kỹ thuật thiết kế giảm thiểu sự dư thừa dữ liệu và cải thiện tính toàn vẹn của dữ liệu bằng cách tổ chức dữ liệu thành các bảng liên quan. Điều này đảm bảo rằng các mối quan hệ và phụ thuộc trong dữ liệu là hợp lý và hiệu quả.

Trong khoa học xã hội và tâm lý học, chuẩn hóa rất quan trọng cho việc phát triển các thang đo đánh giá và bài kiểm tra, đảm bảo tính so sánh giữa các biện pháp khác nhau. Các kết quả của quá trình chuẩn hóa có thể ảnh hưởng đáng kể đến các phát hiện và kết luận trong nghiên cứu.

Khi khoa học dữ liệu và học máy tiếp tục phát triển, tầm quan trọng của chuẩn hóa sẽ ngày càng tăng, đặc biệt là trong việc nâng cao độ chính xác trong đào tạo mô hình và dự đoán. Tuy nhiên, việc duy trì quyền riêng tư của dữ liệu trong quá trình chuẩn hóa là một thách thức mới.