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

Hàng đợi / Bộ đệm là gì

Hàng đợi là một cấu trúc dữ liệu tuân theo nguyên tắc vào trước, ra trước (FIFO), trong đó phần tử đầu tiên được thêm vào hàng đợi sẽ là phần tử đầu tiên được xóa. Nó được sử dụng rộng rãi trong lập lịch tác vụ và xử lý sự kiện trong hệ điều hành. Việc triển khai hàng đợi có thể khác nhau, sử dụng các cấu trúc như mảng hoặc danh sách liên kết. Hiểu về hàng đợi là điều cần thiết để quản lý quy trình và tài nguyên trong môi trường đa nhiệm.

Mặt khác, Bộ đệm là một khu vực lưu trữ tạm thời trong bộ nhớ, nhằm cải thiện hiệu quả xử lý dữ liệu. Bộ đệm đóng vai trò quan trọng trong việc truyền tải dữ liệu, giúp giảm thiểu sự khác biệt về tốc độ giữa các thiết bị và cải thiện hiệu suất tổng thể. Bộ đệm thường được sử dụng trong các tình huống như phát trực tuyến âm thanh và video, cũng như truyền tải gói dữ liệu qua mạng. Cùng nhau, hàng đợi và bộ đệm là những thành phần thiết yếu trong các hệ thống máy tính hiện đại, đặc biệt trong việc xử lý dữ liệu theo thời gian thực và ứng dụng big data.