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

RNN / Mạng Nơ-ron Tái diễn là gì?

RNN (Mạng Nơ-ron Tái diễn) là một loại mô hình học sâu đặc biệt phù hợp cho việc xử lý dữ liệu tuần tự như chuỗi thời gian hoặc ngôn ngữ tự nhiên. Khác với các mạng nơ-ron truyền thống, nơi đầu vào và đầu ra là tĩnh, RNN có thể xử lý các chuỗi động, vì chúng có chức năng 'ghi nhớ' cho phép giữ lại thông tin từ các đầu vào trước đó để sử dụng cho các đầu ra sau này.

Khả năng này giúp RNN nổi bật trong các lĩnh vực như xử lý ngôn ngữ tự nhiên (NLP), nhận diện giọng nói và phân tích video. Cốt lõi của RNN nằm ở cấu trúc tuần hoàn của nó, giúp nắm bắt các phụ thuộc trong dữ liệu chuỗi thời gian bằng cách truyền thông tin qua các vòng lặp.

Tuy nhiên, RNN cũng có một số nhược điểm, đặc biệt là các vấn đề về độ dốc biến mất và bùng nổ, điều này cản trở hiệu suất khi xử lý các chuỗi dài. Để khắc phục những vấn đề này, các nhà nghiên cứu đã giới thiệu các biến thể phức tạp hơn như mạng bộ nhớ dài ngắn hạn (LSTM) và đơn vị tái diễn có cổng (GRU), chúng hoạt động tốt hơn trong nhiều nhiệm vụ.

Khi học sâu phát triển nhanh chóng, các ứng dụng của RNN tiếp tục mở rộng, bao gồm dịch máy, phân tích cảm xúc và mô hình sinh. Trong tương lai, RNN và các biến thể của nó sẽ tiếp tục thúc đẩy sự tiến bộ của trí tuệ nhân tạo, đặc biệt trong các lĩnh vực cần xử lý dữ liệu tuần tự.