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 không giám sát là gì

Học không giám sát là một loại học máy xử lý dữ liệu không gán nhãn. Khác với học có giám sát, mục tiêu của nó là tìm ra các mẫu và cấu trúc trong dữ liệu mà không có sự hướng dẫn của nhãn. Kỹ thuật này rất cơ bản trong nhiều ứng dụng, chẳng hạn như phân cụm, giảm chiều và học quy tắc liên kết.

Phân cụm là một phương pháp dùng để nhóm các điểm dữ liệu sao cho các điểm trong cùng một nhóm giống nhau hơn. Giảm chiều giúp đơn giản hóa dữ liệu bằng cách giảm số lượng đặc trưng trong khi vẫn giữ lại thông tin quan trọng. Học quy tắc liên kết giúp phát hiện các mối quan hệ giữa các biến, thường được sử dụng trong phân tích giỏ hàng để hiểu hành vi mua sắm của người tiêu dùng.

Một lợi thế lớn của học không giám sát là khả năng xử lý một lượng lớn dữ liệu không gán nhãn, điều này rất phổ biến trong nhiều tình huống thực tế. Tuy nhiên, nó cũng có những nhược điểm, chẳng hạn như thiếu tiêu chí đánh giá rõ ràng, khiến việc đánh giá hiệu suất của mô hình trở nên khó khăn.

Nhìn về phía trước, có thể dự đoán rằng học không giám sát sẽ ngày càng quan trọng, đặc biệt là trong các lĩnh vực dữ liệu lớn và trí tuệ nhân tạo. Các nhà nghiên cứu đang liên tục khám phá các phương pháp mới để cải thiện hiệu quả của nó, chẳng hạn như sử dụng kỹ thuật học tăng cường và mạng đối kháng sinh điều kiện (GAN).