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

Sampling là gì

Sampling là quy trình chọn một tập hợp con của các cá nhân từ một quần thể để ước lượng các đặc điểm của toàn bộ nhóm. Trong thống kê, đây là một phương pháp quan trọng để thu thập dữ liệu, cho phép các nhà nghiên cứu rút ra kết luận mà không cần khảo sát toàn bộ quần thể. Các phương pháp sampling phổ biến bao gồm sampling ngẫu nhiên, sampling phân tầng và sampling hệ thống, mỗi phương pháp đều có ưu điểm và nhược điểm riêng.

Trong nghiên cứu thị trường, sampling đóng vai trò quan trọng bằng cách giúp các công ty hiểu sở thích và hành vi của người tiêu dùng. Bằng cách tiến hành khảo sát và phỏng vấn với một mẫu từ đối tượng mục tiêu, các doanh nghiệp có thể phát triển các chiến lược phù hợp hơn với nhu cầu của thị trường. Cách tiếp cận này không chỉ tiết kiệm thời gian và tài nguyên mà còn cung cấp những hiểu biết quý giá.

Trong khoa học máy tính, các kỹ thuật sampling được áp dụng trong nhiều lĩnh vực như xử lý tín hiệu, phân tích hình ảnh và học máy. Các phương pháp này cho phép xử lý và phân tích hiệu quả các tập dữ liệu lớn, cải thiện việc ra quyết định và mô hình dự đoán.

Nhìn về tương lai, khi khoa học dữ liệu và trí tuệ nhân tạo tiếp tục phát triển, các phương pháp sampling cũng được kỳ vọng sẽ tiến bộ. Các kỹ thuật sampling thích ứng và thông minh mới có thể nâng cao hiệu quả và độ chính xác, đáp ứng các nhu cầu phân tích phức tạp hơn.