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

Chính sách / Chính sách Học tăng cường là gì

Trong học tăng cường, 'chính sách' định nghĩa cách mà một tác nhân chọn hành động dựa trên trạng thái mà nó cảm nhận được. Nó có thể là xác định hoặc ngẫu nhiên, ảnh hưởng đến hiệu quả học tập của tác nhân trong môi trường của nó.

Trong học tăng cường, các chính sách rất quan trọng vì chúng hướng dẫn quá trình ra quyết định của tác nhân. Có hai loại chính: chính sách hành vi (để tạo ra hành động) và chính sách mục tiêu (để đánh giá và cải thiện hành động). Thông qua việc thử nghiệm và sai sót, tác nhân học cách tối ưu hóa chính sách của mình để tối đa hóa phần thưởng tích lũy.

Tương lai của chính sách trong học tăng cường có thể bao gồm các thuật toán phức tạp hơn, bao gồm các phương pháp dựa trên học sâu, cho phép các tác nhân đưa ra quyết định trong các môi trường phức tạp hơn. Hơn nữa, với sự phát triển của hệ thống đa tác nhân, sự hợp tác và cạnh tranh giữa các chính sách sẽ trở thành một hướng nghiên cứu quan trọng.

Các chính sách trong học tăng cường được áp dụng rộng rãi trong các ứng dụng như trò chơi, lái xe tự động, điều khiển robot và giao dịch tài chính. Việc tối ưu hóa các chính sách này ảnh hưởng trực tiếp đến hiệu suất và hiệu quả của các hệ thống mà chúng được triển khai.