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

Khái niệm về Lượng hóa

Lượng hóa là một khái niệm cơ bản trong xử lý tín hiệu số và khoa học máy tính. Nó liên quan đến việc chuyển đổi dữ liệu liên tục, chẳng hạn như tín hiệu tương tự, thành dữ liệu rời rạc để lưu trữ và xử lý trong các hệ thống số. Cốt lõi của quá trình lượng hóa nằm ở việc chọn một mức độ rời rạc phù hợp để đại diện cho các giá trị liên tục, điều này ảnh hưởng đến độ chính xác của dữ liệu cũng như phân tích tiếp theo.

Các ứng dụng của lượng hóa rất đa dạng, đặc biệt trong các lĩnh vực như xử lý hình ảnh, xử lý âm thanh và học máy. Ví dụ, trong học máy, lượng hóa có thể giảm kích thước của các mô hình và độ phức tạp tính toán, từ đó nâng cao hiệu quả hoạt động và giảm thiểu nhu cầu lưu trữ. Trong nén hình ảnh, các kỹ thuật lượng hóa được sử dụng để giảm kích thước tệp trong khi vẫn cố gắng duy trì chất lượng hình ảnh trực quan.

Tuy nhiên, lượng hóa cũng mang lại một số nhược điểm, đáng kể nhất là khả năng mất thông tin và giảm độ chính xác. Do đó, rất cần thiết phải cân bằng giữa hiệu quả và độ chính xác khi thiết kế các kế hoạch lượng hóa. Hơn nữa, với những tiến bộ công nghệ, xu hướng tương lai trong lượng hóa có thể bao gồm các thuật toán thông minh hơn và các cách thực hiện hiệu quả hơn để đáp ứng nhu cầu ngày càng tăng về xử lý dữ liệu.