TopAIToolsTopAITools

Glossary

0-9
1-shot learning5G + AI6DoF pose estimation7D representation8-bit quantization2-stage detector4D data0-shot learning9-layer network3D convolution
A
AGI / Artificial General IntelligenceAutoencoderAttentionAlgorithmArtificial Intelligence (AI)
B
BackpropagationBERTBoostingBatch NormalizationBias
C
ChatbotClusteringCNN / Convolutional Neural NetworkCross-ValidationClassifier / Classification
D
Deep LearningDeepfakeDiscriminative ModelDeterministic ModelData Augmentation
E
EmbeddingEncoderEpochEnsemble LearningExplainable AI (XAI)
F
Fine-tuningFusion / Multimodal FusionForward PropagationFoundation ModelFeature Extraction
G
GAN / Generative Adversarial NetworkGradient DescentGroundingGraph Neural Network (GNN)Generative AI
H
HyperparameterHeuristicHidden LayerHierarchical ModelHallucination
I
Imbalanced DataInterpretabilityInstruction tuningInstance / SampleIntelligence Amplification / Augmentation
J
JAXJitteringJoint EmbeddingJSONL / JSON-linesJuxtaposition
K
KL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKernel TrickKnowledge Distillation
L
Latent VariableLoss FunctionLSTM / Long Short-Term MemoryLarge Language Model (LLM)Learning Rate
M
Multimodal / MultimodalityMachine Learning (ML)Meta-learningModelMulti-head Attention
N
NormalizationNeural NetworkNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNovelty Detection / Anomaly Detection
O
Objective FunctionOnline LearningOne-hot EncodingOverfittingOptimizer
P
Policy / Reinforcement Learning PolicyPoolingPretrainingPromptParameter
Q
Queue / BufferQuantizationQ-learningQueryQuality Estimation
R
Retrieval Augmented Generation (RAG)Representation LearningReinforcement Learning (RL)RegularizationRNN / Recurrent Neural Network
S
Supervised LearningSelf-Supervised LearningSequence ModelingSamplingSoftmax
T
Training DataTokenizerTransfer LearningTransformerTuning / Hyperparameter Tuning
U
Universal Approximation TheoremUnsupervised LearningU-NetUnderfittingUncertainty Estimation
V
Variational Autoencoder (VAE)Vector EmbeddingVanishing / Exploding GradientValidation SetVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
XOR problemX-axis / feature axisXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisY-transform / YUVYAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI
Z
Z-score NormalizationZero-gradient phenomenonZero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZygosity in augmentation

Chuẩn hóa Z-score là gì?

Chuẩn hóa Z-score, còn được gọi là chuẩn hóa, là một kỹ thuật tiền xử lý dữ liệu thường được sử dụng trong phân tích thống kê và học máy. Mục tiêu chính của nó là chuyển đổi dữ liệu thành phân phối chuẩn với trung bình 0 và độ lệch chuẩn 1, từ đó loại bỏ ảnh hưởng của các thang đo và đơn vị khác nhau lên quá trình huấn luyện mô hình.


Trong nhiều tác vụ phân tích dữ liệu, các đơn vị và khoảng giá trị của các đặc trưng có thể khác nhau, điều này dẫn đến việc một số đặc trưng chiếm ưu thế trong quá trình huấn luyện mô hình. Chuẩn hóa Z-score điều chỉnh từng điểm dữ liệu theo trung bình và độ lệch chuẩn, giúp các phân phối đặc trưng nhất quán hơn cho các phân tích và mô hình hóa tiếp theo.


Z-score được tính bằng công thức: Z = (X - μ) / σ, trong đó X là giá trị gốc cần chuẩn hóa, μ là trung bình và σ là độ lệch chuẩn. Công thức này cho phép biến đổi dữ liệu về một thang đo chuẩn hóa.


Chuẩn hóa Z-score được sử dụng rộng rãi trong nhiều lĩnh vực, đặc biệt là trong các mô hình học máy như Máy Vector Hỗ trợ (SVM), hồi quy logistic và mạng nơ-ron. Tính nhất quán về thang đo của các đặc trưng có thể tăng tốc độ hội tụ và độ chính xác của mô hình.


Các lợi ích bao gồm việc loại bỏ ảnh hưởng về kích thước giữa các đặc trưng, giúp quá trình huấn luyện mô hình ổn định hơn, và hỗ trợ tăng tốc độ hội tụ của thuật toán, đặc biệt là trong các phương pháp dựa trên gradient. Tuy nhiên, nó nhạy cảm với các giá trị ngoại lệ, có thể làm sai lệch kết quả, và chỉ thích hợp cho dữ liệu phân phối bình thường; nếu phân phối dữ liệu lệch xa khỏi phân phối bình thường, có thể không hiệu quả.


Khi khoa học dữ liệu phát triển, chuẩn hóa Z-score và các biến thể của nó sẽ tiếp tục được áp dụng trong xử lý dữ liệu lớn, học sâu và phân tích dữ liệu thời gian thực. Các nhà nghiên cứu cũng đang khám phá các phương pháp chuẩn hóa mạnh mẽ hơn để đối phó với những thách thức mà các tập dữ liệu hiện đại đặt ra.


Khi sử dụng chuẩn hóa Z-score, việc đánh giá phân phối dữ liệu là rất quan trọng để đảm bảo tính bình thường. Ngoài ra, việc xử lý các giá trị ngoại lệ cũng nên là một phần của các bước tiền xử lý để giảm thiểu ảnh hưởng của chúng đến kết quả chuẩn hóa.