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

Embedding Vectorial là gì?

Embedding Vectorial là một kỹ thuật chuyển đổi các đối tượng, chẳng hạn như từ hoặc hình ảnh, thành các biểu diễn vector có kích thước cố định. Kỹ thuật này đặc biệt quan trọng trong Xử lý Ngôn ngữ Tự nhiên (NLP) và học máy, vì nó cho phép giữ lại các mối quan hệ ngữ nghĩa giữa các đối tượng trong khi ánh xạ dữ liệu có chiều cao xuống không gian chiều thấp.

Một trong những ví dụ nổi bật nhất về Embedding Vectorial bao gồm các mô hình như Word2Vec, GloVe và BERT, những mô hình này tạo ra các vector bằng cách đào tạo trên các tập dữ liệu văn bản lớn để nắm bắt sự tương đồng ngữ nghĩa giữa các từ. Các embedding này đóng vai trò quan trọng trong các ứng dụng như tìm kiếm thông tin, hệ thống gợi ý và chatbot.

Quá trình này thường liên quan đến việc ánh xạ các đối tượng vào không gian chiều cao, sử dụng mạng nơ-ron hoặc các thuật toán khác để đào tạo. Sau khi đào tạo, mô hình có thể tạo ra các vector đối tượng mới, đảm bảo rằng các đối tượng tương tự nằm gần nhau trong không gian vector.

Trong tương lai, chúng ta có thể thấy các phương pháp đào tạo hiệu quả hơn và các biểu diễn vector phong phú hơn với sự tiến bộ của học sâu. Tuy nhiên, điều quan trọng là phải xem xét sự lựa chọn của mô hình và chất lượng của dữ liệu đào tạo để đảm bảo các biểu diễn hiệu quả.