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

Tối ưu hóa là gì

Thuật ngữ 'Tối ưu hóa' đề cập đến các thuật toán và công cụ được thiết kế để tăng cường hiệu quả và tối đa hóa kết quả trong nhiều lĩnh vực, đặc biệt là trong khoa học máy tính, phân tích dữ liệu và học máy.

Trong các ngữ cảnh kỹ thuật, các công cụ tối ưu hóa điều chỉnh các tham số để tìm ra các giải pháp tốt nhất cho các vấn đề đã cho. Ví dụ, trong học máy, các công cụ tối ưu hóa điều chỉnh trọng số của mô hình để giảm thiểu sai số dự đoán. Trong nghiên cứu hoạt động, các công cụ tối ưu hóa giúp giải quyết các vấn đề phức tạp trong quyết định nhằm nâng cao hiệu quả và giảm chi phí.

Khi trí tuệ nhân tạo và dữ liệu lớn tiếp tục phát triển, công nghệ tối ưu hóa dự kiến sẽ trở nên tinh vi và thông minh hơn. Các ứng dụng của các công cụ tối ưu hóa sẽ mở rộng ra ngoài các lĩnh vực truyền thống và vào các lĩnh vực như y tế, tài chính và bảo vệ môi trường.

Khi sử dụng các công cụ tối ưu hóa, việc lựa chọn các thuật toán và công cụ phù hợp là rất quan trọng để tránh việc quá khớp hoặc lãng phí tài nguyên tính toán.