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

Yoga của AI là gì

Khái niệm 'Yoga của AI' đại diện cho sự giao thoa giữa trí tuệ nhân tạo và các thực hành yoga. Yoga là một thực hành cổ xưa tập trung vào sự kết nối giữa cơ thể và tâm trí, nhấn mạnh các tư thế, kỹ thuật thở và thiền định. Khi tích hợp với AI, nó gợi ý việc sử dụng công nghệ để nâng cao trải nghiệm yoga, chẳng hạn như hướng dẫn cá nhân hóa qua các huấn luyện viên ảo và phân tích dữ liệu để cải thiện kết quả thực hành.

Trong thế giới hiện đại, AI đang chuyển đổi nhiều ngành công nghiệp, bao gồm cả sức khỏe và thể hình. AI có thể phân tích một lượng lớn dữ liệu để hiểu nhu cầu của người dùng, đề xuất các khóa học yoga phù hợp và cung cấp phản hồi theo thời gian thực để giúp người dùng nắm vững tư thế và kỹ thuật.

Trong tương lai, khi công nghệ tiếp tục phát triển, AI dự kiến sẽ đóng một vai trò ngày càng quan trọng trong việc cá nhân hóa trải nghiệm yoga, các phương pháp giảng dạy và tương tác cộng đồng. Tuy nhiên, điều này cũng đặt ra một số thách thức, chẳng hạn như duy trì giá trị của các huấn luyện viên con người và tránh sự xói mòn tinh thần truyền thống của yoga. Để biết thêm thông tin, bạn có thể truy cập liên kết này.