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

Q-learning là gì?

Q-learning là một thuật toán học tăng cường không có mô hình cho phép một tác nhân học giá trị của các hành động trong một trạng thái nhất định. Nó hoạt động thông qua việc tương tác với môi trường và học một chính sách để tối đa hóa phần thưởng tích lũy. Tầm quan trọng của Q-learning nằm ở khả năng tối ưu hóa quyết định mà không cần kiến thức về mô hình của môi trường.

Ý tưởng cơ bản của Q-learning là sử dụng một hàm Q để đánh giá giá trị của mỗi cặp trạng thái-hành động. Thuật toán cập nhật các giá trị Q một cách lặp đi lặp lại dựa trên các phần thưởng nhận được từ môi trường, thường sử dụng phương trình Bellman để thực hiện các cập nhật. Phương pháp này đã thể hiện hiệu suất đáng kể trong nhiều ứng dụng, bao gồm AI trò chơi, điều hướng robot và điều khiển thích ứng.

Một trong những lợi thế của Q-learning là sự đơn giản và dễ dàng thực hiện, cũng như khả năng xử lý không gian trạng thái cao chiều. Tuy nhiên, nó cũng có một số nhược điểm, chẳng hạn như tốc độ hội tụ chậm, cần có khám phá rộng rãi và có thể không ổn định trong một số tình huống.

Trong tương lai, sự tích hợp của Q-learning với các kỹ thuật học sâu (được gọi là Mạng Q Sâu hoặc DQN) dự kiến sẽ cải thiện hiệu suất trong các môi trường phức tạp hơn. Do đó, hiểu các nguyên tắc cơ bản và ứng dụng của Q-learning là rất quan trọng cho nghiên cứu và ứng dụng trong học tăng cường.