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

Truy vấn là gì

Truy vấn là yêu cầu thông tin từ cơ sở dữ liệu hoặc hệ thống thông tin. Trong bối cảnh của cơ sở dữ liệu, nó cho phép người dùng truy xuất hoặc thao tác dữ liệu bằng cách sử dụng các ngôn ngữ cụ thể, chẳng hạn như SQL. Các truy vấn có thể được phân loại thành nhiều loại khác nhau, bao gồm truy vấn chọn, truy vấn chèn, truy vấn cập nhật và truy vấn xóa, mỗi loại đều có mục đích riêng.

Trong lĩnh vực Internet, khái niệm truy vấn đã mở rộng đáng kể. Người dùng nhập từ khóa vào các công cụ tìm kiếm để truy xuất thông tin liên quan. Quá trình này phụ thuộc vào các thuật toán phức tạp và cấu trúc dữ liệu để đảm bảo rằng các kết quả trả về là cả liên quan và chính xác.

Nhìn về tương lai, những tiến bộ trong trí tuệ nhân tạo và học máy có thể thay đổi cách thức thực hiện các truy vấn. Những cải tiến trong xử lý ngôn ngữ tự nhiên sẽ cho phép người dùng truy vấn bằng ngôn ngữ tự nhiên hơn, từ đó dễ dàng hơn để có được thông tin mà họ cần. Ngoài ra, quyền riêng tư và bảo vệ dữ liệu sẽ tiếp tục là những yếu tố quan trọng trong sự phát triển của các công nghệ truy vấn.