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

Hiện tượng độ dốc bằng không là gì?

Hiện tượng độ dốc bằng không đề cập đến tình trạng mà độ dốc của một đại lượng nhất định, chẳng hạn như tốc độ hoặc nhiệt độ, là bằng không trong một vùng cụ thể. Hiện tượng này có ý nghĩa quan trọng trong nhiều lĩnh vực khoa học, bao gồm động lực học chất lỏng, khoa học vật liệu và nhiệt động lực học.

Trong động lực học chất lỏng, độ dốc bằng không cho thấy rằng các tính chất của chất lỏng, như áp suất hoặc tốc độ, vẫn đồng nhất trong khu vực đó, điều này rất quan trọng cho việc thiết kế và phân tích hệ thống dòng chảy. Hiểu được điều này giúp các kỹ sư tạo ra các hệ thống hiệu quả hơn.

Trong khoa học vật liệu, hiện tượng độ dốc bằng không giúp dự đoán cách các vật liệu phản ứng dưới các điều kiện bên ngoài khác nhau, chẳng hạn như thay đổi ứng suất hoặc nhiệt độ. Bằng cách nghiên cứu những hiện tượng này, các nhà khoa học có thể cải thiện hiệu suất và độ bền của vật liệu.

Khi khả năng tính toán và công nghệ mô phỏng phát triển, khả năng nghiên cứu hiện tượng độ dốc bằng không sẽ ngày càng tăng, có thể dẫn đến việc phát triển các vật liệu mới và thiết kế kỹ thuật hiệu quả hơn.