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

Underfitting là gì

Underfitting là một khái niệm quan trọng trong học máy, chỉ việc một mô hình có hiệu suất kém trên dữ liệu huấn luyện, không thể nắm bắt các quy luật tiềm ẩn của dữ liệu.

Tình trạng này thường xảy ra khi mô hình quá đơn giản để diễn đạt các đặc điểm phức tạp, dẫn đến hiệu suất kém cả trên tập huấn luyện và tập kiểm tra.

Việc xác định underfitting là rất quan trọng trong việc tối ưu hóa mô hình. Nếu một mô hình gặp phải underfitting, điều đó có nghĩa là nó không thể học hiệu quả các đặc điểm của dữ liệu.

Các nguyên nhân phổ biến bao gồm việc sử dụng các mô hình quá đơn giản, đặc điểm không đủ phong phú và số lượng dữ liệu quá ít.

Một tình huống điển hình cho underfitting xảy ra khi sử dụng mô hình hồi quy tuyến tính để điều chỉnh một tập dữ liệu rõ ràng có mối quan hệ phi tuyến tính.

Khi công nghệ học máy tiếp tục phát triển, các thuật toán và kiến trúc mô hình mới đang xuất hiện để phù hợp hơn với nhu cầu học tập của dữ liệu phức tạp.

Các mô hình đơn giản tính toán hiệu quả và dễ hiểu nhưng có thể dẫn đến hiệu suất dự đoán kém nếu không nắm bắt được các đặc điểm phức tạp.

Trong việc xử lý underfitting, điều quan trọng là phải nhạy cảm với độ phức tạp của mô hình và tránh việc đơn giản hóa quá mức có thể làm giảm hiệu suất.