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

Học Tăng Cường (RL) là gì?

Học Tăng Cường (Reinforcement Learning, RL) là một nhánh của học máy, trong đó một tác nhân học cách đưa ra quyết định bằng cách tương tác với môi trường của mình để tối đa hóa phần thưởng tích lũy. Các thành phần chính của RL bao gồm tác nhân, môi trường, trạng thái, hành động và phần thưởng. Tác nhân khám phá và khai thác môi trường để học được chính sách tối ưu.

Một đặc điểm quan trọng của RL là cơ chế thử và sai, trong đó tác nhân điều chỉnh hành vi của mình dựa trên phản hồi từ môi trường. Điều này có thể đạt được thông qua nhiều thuật toán khác nhau, chẳng hạn như Q-learning, Mạng Nơ-ron Sâu (DQN) và các phương pháp gradient chính sách. Gần đây, sự kết hợp giữa học sâu và RL đã cải thiện đáng kể hiệu suất trong các nhiệm vụ phức tạp.

Nhìn về tương lai, các xu hướng trong RL sẽ tập trung vào việc tăng cường hiệu quả học tập, xử lý các môi trường phức tạp hơn và đạt được khả năng thích ứng trong các ứng dụng thực tế rộng rãi. Tuy nhiên, RL cũng phải đối mặt với một số thách thức, chẳng hạn như hiệu suất mẫu thấp, thời gian đào tạo dài và tính mạnh mẽ trong các môi trường động.