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 Có Giám Sát Là Gì

Học Có Giám Sát là một phương pháp học máy trong đó một mô hình được đào tạo trên một tập dữ liệu có nhãn. Mỗi ví dụ đào tạo bao gồm dữ liệu đầu vào cùng với nhãn đầu ra tương ứng của nó. Phương pháp này được sử dụng rộng rãi trong các nhiệm vụ phân loại và hồi quy, nhằm dự đoán các kết quả cho dữ liệu chưa thấy bằng cách hiểu mối quan hệ giữa đầu vào và đầu ra.

Về bối cảnh, học có giám sát là một nhánh quan trọng của học máy, đặc biệt trong các lĩnh vực như phân tích dữ liệu và mô hình dự đoán. Cách hoạt động của nó thường bao gồm nhiều bước, bao gồm thu thập dữ liệu, xử lý trước, lựa chọn mô hình, đào tạo và đánh giá. Bằng cách điều chỉnh liên tục các tham số và thuật toán của mô hình, học có giám sát có thể cải thiện độ chính xác dự đoán.

Trong các ứng dụng thực tế, học có giám sát thường được sử dụng trong lọc email, nhận diện hình ảnh, nhận diện giọng nói và dự đoán tài chính, giữa nhiều lĩnh vực khác. Những lợi ích bao gồm việc triển khai tương đối dễ dàng và khả năng giải thích cao hơn, trong khi những bất lợi bao gồm sự phụ thuộc vào các tập dữ liệu lớn có nhãn và nguy cơ quá khớp.

Nhìn về tương lai, học có giám sát dự kiến sẽ tiến bộ trong các nhiệm vụ phức tạp hơn khi khối lượng dữ liệu tăng và khả năng tính toán được cải thiện. Đặc biệt với sự phát triển của công nghệ học sâu, triển vọng phát triển của học có giám sát là rất lớn. Tuy nhiên, làm thế nào để thu thập và xử lý hiệu quả dữ liệu có nhãn vẫn là một thách thức.