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

X-axis / trục đặc điểm là gì

Trục X, thường được gọi là trục đặc điểm, là một thành phần quan trọng trong việc trực quan hóa dữ liệu và phân tích thống kê. Nó đại diện cho đường ngang trong một biểu đồ và được sử dụng để hiển thị các biến độc lập hoặc các đặc điểm cụ thể của dữ liệu. Việc ghi nhãn và tỷ lệ chính xác của trục X là rất cần thiết cho việc giải thích dữ liệu chính xác.

Trong nhiều loại biểu đồ, chẳng hạn như biểu đồ phân tán hoặc biểu đồ đường, trục X có thể đại diện cho thời gian, danh mục hoặc giá trị liên tục, ảnh hưởng đến cách mà công chúng nhận thức về các xu hướng và mối quan hệ trong dữ liệu. Ví dụ, trong một biểu đồ phân tán nơi trục X đại diện cho thời gian và trục Y hiển thị doanh thu, thiết kế của trục X có thể ảnh hưởng đáng kể đến việc trực quan hóa các xu hướng.

Nhìn về tương lai, xu hướng có thể chuyển sang các công cụ trực quan hóa tương tác và ba chiều hơn, làm tăng mức độ tương tác của người dùng với các đặc điểm dữ liệu được hiển thị trên trục X. Mặc dù những tiến bộ này có thể cung cấp cái nhìn trực quan hơn, nhưng các biểu đồ phức tạp cũng có thể gây nhầm lẫn cho khán giả. Do đó, độ rõ ràng trong việc ghi nhãn trục X và việc sử dụng đơn vị phù hợp là rất quan trọng cho việc truyền đạt hiệu quả thông tin về dữ liệu.