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

Transfer Learning là gì

Transfer learning là một khái niệm quan trọng trong học máy, nhằm chuyển giao kiến thức từ một miền sang một miền liên quan khác. Thông thường, một mô hình được đào tạo trên một nhiệm vụ có thể áp dụng kiến thức của mình cho một nhiệm vụ khác, do đó giảm thiểu đáng kể nhu cầu về các tập dữ liệu được gán nhãn lớn.

Trong học máy truyền thống, các mô hình thường cần được đào tạo từ đầu trên dữ liệu nhiệm vụ cụ thể. Tuy nhiên, transfer learning cho phép các mô hình tận dụng kiến thức thu được từ các nhiệm vụ liên quan, điều này đặc biệt quan trọng trong các tình huống có dữ liệu hạn chế hoặc thời gian đào tạo bị giới hạn. Cách thức hoạt động của transfer learning thường bao gồm hai giai đoạn: trước tiên đào tạo mô hình trên miền nguồn, sau đó chuyển nó đến miền mục tiêu để tinh chỉnh.

Transfer learning có ứng dụng quan trọng trong nhiều lĩnh vực, bao gồm thị giác máy tính, xử lý ngôn ngữ tự nhiên và nhận diện giọng nói. Ví dụ, một mô hình được đào tạo trên một tập dữ liệu hình ảnh quy mô lớn (như ImageNet) có thể được chuyển giao cho một nhiệm vụ phân loại hình ảnh cụ thể.

Khi công nghệ học sâu tiếp tục phát triển, transfer learning đã trở thành một phương pháp chủ đạo, đặc biệt trong các trường hợp cần triển khai nhanh chóng và sử dụng tài nguyên hiệu quả. Mặc dù những lợi ích của transfer learning là rõ ràng, nhưng cũng có những thách thức, chẳng hạn như khả năng giảm hiệu suất khi miền nguồn và miền mục tiêu không đủ liên quan.