TopAIToolsTopAITools

Glossary

0-9
1-shot learning5G + AI6DoF pose estimation7D representation8-bit quantization2-stage detector4D data0-shot learning9-layer network3D convolution
A
AGI / Artificial General IntelligenceAutoencoderAttentionAlgorithmArtificial Intelligence (AI)
B
BackpropagationBERTBoostingBatch NormalizationBias
C
ChatbotClusteringCNN / Convolutional Neural NetworkCross-ValidationClassifier / Classification
D
Deep LearningDeepfakeDiscriminative ModelDeterministic ModelData Augmentation
E
EmbeddingEncoderEpochEnsemble LearningExplainable AI (XAI)
F
Fine-tuningFusion / Multimodal FusionForward PropagationFoundation ModelFeature Extraction
G
GAN / Generative Adversarial NetworkGradient DescentGroundingGraph Neural Network (GNN)Generative AI
H
HyperparameterHeuristicHidden LayerHierarchical ModelHallucination
I
Imbalanced DataInterpretabilityInstruction tuningInstance / SampleIntelligence Amplification / Augmentation
J
JAXJitteringJoint EmbeddingJSONL / JSON-linesJuxtaposition
K
KL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKernel TrickKnowledge Distillation
L
Latent VariableLoss FunctionLSTM / Long Short-Term MemoryLarge Language Model (LLM)Learning Rate
M
Multimodal / MultimodalityMachine Learning (ML)Meta-learningModelMulti-head Attention
N
NormalizationNeural NetworkNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNovelty Detection / Anomaly Detection
O
Objective FunctionOnline LearningOne-hot EncodingOverfittingOptimizer
P
Policy / Reinforcement Learning PolicyPoolingPretrainingPromptParameter
Q
Queue / BufferQuantizationQ-learningQueryQuality Estimation
R
Retrieval Augmented Generation (RAG)Representation LearningReinforcement Learning (RL)RegularizationRNN / Recurrent Neural Network
S
Supervised LearningSelf-Supervised LearningSequence ModelingSamplingSoftmax
T
Training DataTokenizerTransfer LearningTransformerTuning / Hyperparameter Tuning
U
Universal Approximation TheoremUnsupervised LearningU-NetUnderfittingUncertainty Estimation
V
Variational Autoencoder (VAE)Vector EmbeddingVanishing / Exploding GradientValidation SetVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
XOR problemX-axis / feature axisXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisY-transform / YUVYAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI
Z
Z-score NormalizationZero-gradient phenomenonZero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZygosity in augmentation

Học Đại Diện là gì

Học Đại Diện là một khái niệm quan trọng trong học máy, nhằm mục đích tự động học các đại diện hữu ích từ dữ liệu. Cách tiếp cận này đặc biệt hiệu quả trong việc xử lý dữ liệu có chiều cao như hình ảnh, văn bản và âm thanh, cho phép trích xuất các đặc điểm trừu tượng và phân biệt hơn.


Bối cảnh của học đại diện xuất phát từ sự phát triển của học sâu, đặc biệt là sự trỗi dậy của mạng nơ-ron. Các kỹ thuật này sử dụng cấu trúc nhiều lớp để dần dần chuyển đổi dữ liệu thô thành các đại diện đặc điểm cấp cao hơn, đạt được thành công đáng kể trong các tác vụ như nhận diện hình ảnh và xử lý ngôn ngữ tự nhiên. Một ví dụ điển hình về học đại diện là Mạng Nơ-Ron Tích Chập (CNN), nổi bật trong các tác vụ phân loại hình ảnh.


Cách hoạt động của học đại diện thường bao gồm nhiều hình thức như học không giám sát, học bán giám sát và học có giám sát. Học không giám sát cho phép các mô hình khám phá cấu trúc tiềm ẩn trong dữ liệu mà không cần nhãn, trong khi học có giám sát phụ thuộc vào dữ liệu được gán nhãn để đào tạo các mô hình. Các tiến bộ gần đây, chẳng hạn như các mô hình được tiền huấn luyện (như BERT và GPT), chứng minh khả năng mạnh mẽ của học đại diện trong xử lý ngôn ngữ tự nhiên.


Trong tương lai, học đại diện có thể tiến hóa theo hướng các phương pháp đào tạo hiệu quả hơn và khả năng tổng quát mạnh mẽ hơn. Những lợi thế của nó bao gồm giảm nhu cầu về kỹ thuật đặc điểm thủ công và cải thiện hiệu suất và hiệu quả của mô hình. Tuy nhiên, học đại diện cũng có nhược điểm, chẳng hạn như yêu cầu về tập dữ liệu quy mô lớn và nguy cơ quá khớp tiềm tàng.


Đối với các nhà nghiên cứu và kỹ sư, hiểu biết về ưu và nhược điểm, các kịch bản ứng dụng và xu hướng tương lai của học đại diện là rất quan trọng để tận dụng công nghệ này một cách hiệu quả trong các dự án thực tế.