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

Hàm Mục Tiêu là gì

Hàm Mục Tiêu là một biểu thức toán học dùng để định lượng mục tiêu của một bài toán tối ưu hóa, có thể được tối đa hóa hoặc tối thiểu hóa. Đây là một khái niệm cơ bản trong các lĩnh vực như nghiên cứu vận hành, kinh tế học và khoa học máy tính.

Trong các ứng dụng thực tế, việc xây dựng hàm mục tiêu phải phù hợp với yêu cầu cụ thể của tình huống. Ví dụ, trong kinh tế, mục tiêu có thể là tối đa hóa lợi nhuận, trong khi trong học máy, mục tiêu có thể là tối thiểu hóa tỷ lệ lỗi phân loại. Việc lựa chọn và thiết kế hàm mục tiêu ảnh hưởng trực tiếp đến hiệu suất và kết quả của các thuật toán tối ưu hóa.

Với sự phát triển của khoa học dữ liệu và trí tuệ nhân tạo, việc thiết kế các hàm mục tiêu ngày càng trở nên phức tạp. Thành công của nhiều thuật toán hiện đại phụ thuộc vào sự hiểu biết sâu sắc và thiết kế sáng tạo của các hàm mục tiêu. Trong tương lai, nghiên cứu có thể tập trung vào việc tìm ra cách tự động tạo ra hoặc tối ưu hóa các hàm mục tiêu bằng cách sử dụng các công nghệ mới nổi, chẳng hạn như học sâu, để giải quyết các vấn đề thực tế phức tạp.