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

Học Tập Tập Hợp Là Gì

Học Tập Tập Hợp là một kỹ thuật học máy kết hợp các dự đoán từ nhiều mô hình để cải thiện hiệu suất và độ chính xác tổng thể. Ý tưởng cốt lõi là kết hợp các đầu ra của nhiều người học yếu, mà từng người có thể hoạt động kém, để tạo ra một người học mạnh mẽ hơn, giúp giảm phương sai và độ thiên lệch.

Hai loại chính của phương pháp học tập tập hợp là Bagging và Boosting. Bagging tạo ra nhiều mô hình con và kết hợp kết quả của chúng thông qua việc bỏ phiếu, trong khi Boosting tối ưu hóa quá trình học bằng cách điều chỉnh trọng số của các mô hình theo cách lặp đi lặp lại. Một số thuật toán phổ biến bao gồm Random Forest, AdaBoost và Gradient Boosting Machines (GBM).

Học Tập Tập Hợp rất quan trọng vì nó cải thiện khả năng tổng quát của một mô hình và giảm nguy cơ overfitting. Nó nổi bật trong nhiều ứng dụng thực tế, bao gồm dự đoán tài chính, nhận dạng hình ảnh và phân loại văn bản. Khi kích thước tập dữ liệu tăng lên và khả năng tính toán được cải thiện, tương lai của học tập tập hợp có vẻ đầy hứa hẹn.

Tuy nhiên, nó cũng có nhược điểm, chẳng hạn như yêu cầu nhiều tài nguyên tính toán và thời gian, vì cần phải đào tạo nhiều mô hình. Ngoài ra, các mô hình tập hợp thường có tính giải thích thấp hơn, đặc biệt là khi sử dụng các mô hình phức tạp, điều này có thể dẫn đến giảm tính minh bạch của kết quả. Do đó, khi sử dụng học tập tập hợp, cần xem xét kỹ lưỡng các ưu và nhược điểm của nó trong bối cảnh các ứng dụng và yêu cầu cụ thể.