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

Dữ liệu Huấn luyện là gì

Dữ liệu huấn luyện đề cập đến tập dữ liệu được sử dụng để huấn luyện các mô hình máy học. Đây là một thành phần cốt lõi của các lĩnh vực máy học và trí tuệ nhân tạo, ảnh hưởng trực tiếp đến hiệu suất và độ chính xác của các mô hình.

Chất lượng và sự đa dạng của dữ liệu huấn luyện quyết định hiệu quả của mô hình trong các ứng dụng thực tế. Ví dụ, trong các nhiệm vụ nhận diện hình ảnh, dữ liệu huấn luyện có thể bao gồm hàng ngàn hình ảnh có nhãn để mô hình có thể học cách nhận diện các đối tượng khác nhau.

Trong quá trình máy học, việc thu thập và xử lý dữ liệu là những bước rất quan trọng. Dữ liệu cần được làm sạch, gán nhãn và phân chia để đảm bảo chất lượng và tính ứng dụng của nó. Kích thước và độ phức tạp của tập dữ liệu cũng có thể ảnh hưởng đến thời gian huấn luyện và khả năng tổng quát của mô hình.

Các xu hướng trong tương lai cho thấy rằng sự tiến bộ công nghệ, chẳng hạn như các mô hình sinh và các phương pháp học tự giám sát, đang thay đổi nhu cầu về dữ liệu huấn luyện. Những phương pháp này có thể học một cách hiệu quả từ ít dữ liệu có nhãn hơn, giảm sự phụ thuộc vào các tập dữ liệu lớn.

Về lợi ích và bất lợi, lợi ích của dữ liệu huấn luyện là chúng là nền tảng cho sự thành công của máy học, cung cấp nguyên liệu cho mô hình học. Tuy nhiên, việc thu thập và gán nhãn dữ liệu có thể rất tốn thời gian và chi phí cao. Thêm vào đó, sự thiên lệch dữ liệu và các vấn đề về quyền riêng tư cũng có thể ảnh hưởng đến tính công bằng và độ tin cậy của các mô hình.