Duyệt tất cả nội dung trong danh mục Glossary
Diện Tích Dưới Đường Cong (AUC) là một chỉ số quan trọng trong học máy dùng để đánh giá hiệu quả của các mô hình phân loại nhị phân. AUC định lượng khả năng tổng thể của mô hình trong việc phân biệt giữa hai lớp dương và âm bằng cách tính diện tích dưới đường cong ROC.
DL4J, hay DeepLearning4J, là một thư viện học sâu phân tán mã nguồn mở dành cho Máy ảo Java (JVM). Là một phần của hệ sinh thái Eclipse, công cụ này cho phép phát triển và triển khai các mô hình học sâu quy mô lớn bằng Java, Scala và các ngôn ngữ JVM khác.
Doanh Thu Mới Ròng là doanh thu được tạo ra từ các khách hàng mới hoặc các tài khoản được kích hoạt lại trong một khoảng thời gian nhất định, thường không bao gồm bất kỳ doanh thu nào từ việc bán thêm hoặc bán chéo cho các khách hàng hiện tại đang hoạt động. Đây là chỉ số quan trọng giúp các doanh nghiệp đo lường tốc độ tăng trưởng dựa trên việc mở rộng tệp khách hàng thay vì chỉ dựa vào doanh số bổ sung từ khách hàng hiện có.
Dropout là một kỹ thuật regularization trong AI, đặc biệt là mạng nơ-ron, giúp chống overfitting bằng cách ngẫu nhiên vô hiệu hóa các nơ-ron trong quá trình huấn luyện, từ đó thúc đẩy việc học các đặc trưng bền vững và cải thiện khả năng tổng quát hóa cho dữ liệu mới.
Tìm hiểu thêm về dữ liệu có cấu trúc, cách sử dụng, ví dụ minh họa và so sánh với các loại cấu trúc dữ liệu khác.
Dữ liệu huấn luyện là tập dữ liệu dùng để hướng dẫn các thuật toán AI, giúp chúng nhận biết mẫu, đưa ra quyết định và dự đoán kết quả. Dữ liệu này có thể bao gồm văn bản, số, hình ảnh và video, và cần đảm bảo chất lượng cao, đa dạng, được gắn nhãn tốt để mô hình AI hoạt động hiệu quả.
Tìm hiểu dữ liệu phi cấu trúc là gì và so sánh với dữ liệu có cấu trúc. Khám phá những thách thức và công cụ được sử dụng cho dữ liệu phi cấu trúc.
Dữ liệu tổng hợp đề cập đến thông tin được tạo ra một cách nhân tạo nhằm mô phỏng dữ liệu thực tế. Nó được tạo ra bằng các thuật toán và mô phỏng máy tính để thay thế hoặc bổ sung cho dữ liệu thực. Trong AI, dữ liệu tổng hợp rất quan trọng cho việc huấn luyện, kiểm thử và xác thực các mô hình học máy.
Đánh giá Đọc phát triển (DRA) là một công cụ được thực hiện cá nhân nhằm đánh giá khả năng đọc của học sinh, cung cấp cái nhìn sâu sắc về trình độ đọc, độ trôi chảy và khả năng hiểu. Công cụ này giúp giáo viên cá nhân hóa việc giảng dạy và theo dõi tiến trình từ mẫu giáo đến lớp tám.
Đánh giá hiệu năng của các mô hình AI là quá trình đánh giá và so sánh có hệ thống các mô hình trí tuệ nhân tạo bằng cách sử dụng các bộ dữ liệu, nhiệm vụ và chỉ số hiệu suất tiêu chuẩn. Quá trình này giúp đánh giá khách quan, so sánh mô hình, theo dõi tiến bộ, đồng thời thúc đẩy minh bạch và tiêu chuẩn hóa trong phát triển AI.
Khám phá các hướng dẫn về đạo đức AI: nguyên tắc và khung pháp lý đảm bảo phát triển, triển khai và sử dụng công nghệ AI một cách đạo đức. Tìm hiểu về công bằng, minh bạch, trách nhiệm giải trình, tiêu chuẩn toàn cầu và các chiến lược phát triển AI có trách nhiệm.
Đạo luật Trí tuệ Nhân tạo của Liên minh Châu Âu (EU AI Act) là khuôn khổ quản lý toàn diện đầu tiên trên thế giới được thiết kế để quản lý rủi ro và tận dụng lợi ích của trí tuệ nhân tạo (AI). Được giới thiệu vào tháng 4 năm 2021, Đạo luật AI nhằm đảm bảo rằng các hệ thống AI an toàn, minh bạch và phù hợp với các quyền cơ bản cũng như các nguyên tắc đạo đức.
Điểm BLEU, hay Bilingual Evaluation Understudy, là một chỉ số quan trọng trong việc đánh giá chất lượng văn bản do các hệ thống dịch máy tạo ra. Được IBM phát triển vào năm 2001, đây là một chỉ số tiên phong cho thấy sự tương quan mạnh mẽ với đánh giá chất lượng bản dịch của con người. Điểm BLEU vẫn là nền tảng trong lĩnh vực xử lý ngôn ngữ tự nhiên (NLP) và được sử dụng rộng rãi để đánh giá các hệ thống dịch máy.
Điểm F, còn gọi là F-Measure hoặc F1 Score, là một chỉ số thống kê dùng để đánh giá độ chính xác của một bài kiểm tra hoặc mô hình, đặc biệt trong phân loại nhị phân. Chỉ số này cân bằng giữa độ chính xác (precision) và độ bao phủ (recall), cung cấp cái nhìn tổng thể về hiệu suất của mô hình, nhất là với các bộ dữ liệu mất cân bằng.
Điểm Kỳ Dị trong Trí tuệ Nhân tạo là một thời điểm giả thuyết trong tương lai khi trí tuệ của máy móc vượt qua trí tuệ con người, kích hoạt những thay đổi xã hội nhanh chóng và khó lường. Khám phá nguồn gốc, các khái niệm then chốt, tác động và những tranh luận đang diễn ra về chủ đề này.
Điểm kỳ dị công nghệ là một sự kiện lý thuyết trong tương lai khi trí tuệ nhân tạo (AI) vượt qua trí thông minh của con người, dẫn đến sự biến đổi sâu rộng và không thể dự đoán của xã hội. Khái niệm này khám phá cả những lợi ích tiềm năng và các rủi ro đáng kể liên quan đến AI siêu trí tuệ.
Điểm SEO là một chỉ số số hóa mức độ tuân thủ các thực tiễn tốt nhất về SEO của một trang web, đánh giá các khía cạnh kỹ thuật, chất lượng nội dung, trải nghiệm người dùng và khả năng đáp ứng trên thiết bị di động. Hiểu và cải thiện điểm SEO của bạn rất quan trọng để nâng cao khả năng hiển thị của trang web trên kết quả công cụ tìm kiếm.
Điểm số ROUGE là tập hợp các chỉ số dùng để đánh giá chất lượng tóm tắt và dịch thuật do máy tạo ra bằng cách so sánh với các tham chiếu do con người viết. Được sử dụng rộng rãi trong NLP, ROUGE đo lường mức độ trùng lặp nội dung và khả năng bao quát, giúp đánh giá hệ thống tóm tắt và dịch máy.
Điện toán nhận thức đại diện cho một mô hình công nghệ mang tính chuyển đổi, mô phỏng các quá trình tư duy của con người trong các tình huống phức tạp. Nó tích hợp AI và xử lý tín hiệu để tái tạo nhận thức của con người, nâng cao khả năng ra quyết định bằng cách xử lý lượng lớn dữ liệu có cấu trúc và phi cấu trúc.
Điện toán thần kinh mô phỏng là một phương pháp tiên tiến trong kỹ thuật máy tính, mô hình hóa cả phần cứng lẫn phần mềm dựa theo bộ não và hệ thần kinh con người. Lĩnh vực liên ngành này, còn gọi là kỹ thuật thần kinh mô phỏng, kết hợp từ khoa học máy tính, sinh học, toán học, kỹ thuật điện tử và vật lý để tạo ra các hệ thống và phần cứng máy tính lấy cảm hứng từ sinh học.
Điều chỉnh Siêu tham số là một quy trình cơ bản trong máy học nhằm tối ưu hóa hiệu suất mô hình bằng cách điều chỉnh các tham số như tốc độ học và hệ số chính quy hóa. Khám phá các phương pháp như tìm kiếm lưới, tìm kiếm ngẫu nhiên, tối ưu hóa Bayesian và nhiều hơn nữa.
Điều chỉnh theo chỉ dẫn là một kỹ thuật trong AI nhằm tinh chỉnh các mô hình ngôn ngữ lớn (LLMs) trên các cặp chỉ dẫn-phản hồi, giúp tăng khả năng tuân thủ chỉ dẫn của con người và thực hiện các nhiệm vụ cụ thể.
Độ bền vững của mô hình đề cập đến khả năng của một mô hình học máy (ML) duy trì hiệu suất nhất quán và chính xác bất chấp các biến đổi và sự không chắc chắn trong dữ liệu đầu vào. Các mô hình bền vững rất quan trọng đối với các ứng dụng AI đáng tin cậy, đảm bảo khả năng chống chịu trước nhiễu, ngoại lệ, sự thay đổi phân phối và các cuộc tấn công đối nghịch.
Độ chính xác Top-k là một chỉ số đánh giá trong học máy, xác định xem lớp thực sự có nằm trong số k lớp được dự đoán hàng đầu hay không, cung cấp một thước đo toàn diện và dễ chấp nhận hơn trong các bài toán phân loại đa lớp.
Mean Average Precision (mAP) là một chỉ số quan trọng trong thị giác máy tính để đánh giá các mô hình phát hiện đối tượng, phản ánh cả độ chính xác phát hiện và định vị chỉ bằng một giá trị vô hướng. Nó được sử dụng rộng rãi trong việc so sánh và tối ưu hóa các mô hình AI cho các tác vụ như lái xe tự động, giám sát và truy xuất thông tin.
Khám phá tầm quan trọng của độ chính xác và độ ổn định của mô hình AI trong học máy. Tìm hiểu cách các chỉ số này ảnh hưởng đến các ứng dụng như phát hiện gian lận, chẩn đoán y tế và chatbot, đồng thời khám phá các kỹ thuật nâng cao hiệu suất AI đáng tin cậy.
Độ dễ đọc đo lường mức độ dễ hiểu của một đoạn văn bản đối với người đọc, phản ánh sự rõ ràng và dễ tiếp cận thông qua từ vựng, cấu trúc câu và tổ chức nội dung. Khám phá tầm quan trọng, các công thức đo lường và cách công cụ AI nâng cao độ dễ đọc trong giáo dục, marketing, y tế và nhiều lĩnh vực khác.
Độ Dễ Đọc Flesch là một công thức đánh giá mức độ dễ hiểu của một văn bản. Được phát triển bởi Rudolf Flesch vào những năm 1940, công thức này gán điểm số dựa trên độ dài câu và số lượng âm tiết để chỉ ra mức độ phức tạp của văn bản. Rất được sử dụng trong giáo dục, xuất bản và AI nhằm giúp nội dung dễ tiếp cận hơn.
Khám phá cách các mối quan hệ đối tác AI giữa các trường đại học và công ty tư nhân thúc đẩy đổi mới, nghiên cứu và phát triển kỹ năng bằng cách kết hợp kiến thức học thuật với ứng dụng thực tiễn trong ngành. Tìm hiểu về các đặc điểm chính, lợi ích, thách thức và ví dụ thực tế về những hợp tác thành công.
Đường cong học tập trong trí tuệ nhân tạo là một biểu đồ minh họa mối quan hệ giữa hiệu suất học tập của mô hình và các biến như kích thước bộ dữ liệu hoặc số lần lặp huấn luyện, giúp chẩn đoán sự cân bằng giữa thiên lệch và phương sai, lựa chọn mô hình, và tối ưu hóa quá trình huấn luyện.
Đường cong Receiver Operating Characteristic (ROC) là một biểu đồ dùng để đánh giá hiệu suất của hệ thống phân loại nhị phân khi ngưỡng phân biệt được thay đổi. Khởi nguồn từ lý thuyết phát hiện tín hiệu trong Thế chiến II, đường cong ROC ngày nay rất quan trọng trong học máy, y học và AI để đánh giá mô hình.
Entropy chéo là một khái niệm then chốt trong cả lý thuyết thông tin và học máy, đóng vai trò là thước đo để đo lường sự khác biệt giữa hai phân phối xác suất. Trong học máy, nó được sử dụng như một hàm mất mát để định lượng sự khác biệt giữa đầu ra dự đoán và nhãn thực, tối ưu hóa hiệu suất mô hình, đặc biệt trong các bài toán phân loại.
Fastai là một thư viện học sâu được xây dựng trên PyTorch, cung cấp các API cấp cao, học chuyển giao và kiến trúc phân lớp nhằm đơn giản hóa phát triển mạng nơ-ron cho thị giác máy tính, xử lý ngôn ngữ tự nhiên, dữ liệu dạng bảng, và nhiều hơn nữa. Được phát triển bởi Jeremy Howard và Rachel Thomas, Fastai là mã nguồn mở và được cộng đồng hỗ trợ, giúp AI tiên tiến trở nên dễ tiếp cận với mọi người.
Tìm hiểu thông tin cơ bản về Frase, công cụ tạo nội dung tối ưu hóa SEO được hỗ trợ bởi AI. Khám phá các tính năng chính, ưu và nhược điểm, cùng các lựa chọn thay thế cho Frase.
Gắn thẻ từ loại (POS tagging) là một nhiệm vụ then chốt trong ngôn ngữ học tính toán và xử lý ngôn ngữ tự nhiên (NLP). Nhiệm vụ này liên quan đến việc gán cho mỗi từ trong văn bản phần từ loại tương ứng, dựa trên định nghĩa và ngữ cảnh trong câu. Mục tiêu chính là phân loại các từ vào các nhóm ngữ pháp như danh từ, động từ, tính từ, trạng từ, v.v., giúp máy móc xử lý và hiểu ngôn ngữ con người hiệu quả hơn.
Gensim là một thư viện Python mã nguồn mở phổ biến cho xử lý ngôn ngữ tự nhiên (NLP), chuyên về mô hình chủ đề không giám sát, lập chỉ mục tài liệu và truy xuất tương đồng. Có khả năng xử lý hiệu quả các bộ dữ liệu lớn, Gensim hỗ trợ phân tích ngữ nghĩa và được sử dụng rộng rãi trong nghiên cứu cũng như công nghiệp cho khai phá văn bản, phân loại và chatbot.
Giải quyết đồng tham chiếu là một nhiệm vụ nền tảng trong Xử lý Ngôn ngữ Tự nhiên (NLP) nhằm xác định và liên kết các biểu thức trong văn bản cùng đề cập đến một thực thể, đóng vai trò then chốt cho việc máy móc hiểu ngôn ngữ trong các ứng dụng như tóm tắt, dịch máy và trả lời câu hỏi.
Giải thích được trong AI đề cập đến khả năng hiểu và diễn giải các quyết định, dự đoán mà các hệ thống trí tuệ nhân tạo đưa ra. Khi các mô hình AI trở nên phức tạp hơn, giải thích được đảm bảo tính minh bạch, xây dựng niềm tin, tuân thủ quy định, giảm thiên vị và tối ưu hóa mô hình thông qua các kỹ thuật như LIME và SHAP.
Giảm số chiều là một kỹ thuật then chốt trong xử lý dữ liệu và học máy, giúp giảm số lượng biến đầu vào trong một bộ dữ liệu đồng thời vẫn giữ được thông tin thiết yếu để đơn giản hóa mô hình và nâng cao hiệu suất.
Google Colaboratory (Google Colab) là một nền tảng Jupyter notebook dựa trên đám mây của Google, cho phép người dùng viết và thực thi mã Python ngay trên trình duyệt với quyền truy cập miễn phí vào GPU/TPU, lý tưởng cho học máy và khoa học dữ liệu.
Gradient Descent là một thuật toán tối ưu hóa cơ bản, được sử dụng rộng rãi trong học máy và học sâu để giảm thiểu hàm chi phí hoặc hàm mất mát bằng cách điều chỉnh tham số mô hình một cách lặp đi lặp lại. Nó rất quan trọng trong việc tối ưu hóa các mô hình như mạng nơ-ron và được triển khai dưới các dạng như Batch, Stochastic và Mini-Batch Gradient Descent.
Tìm hiểu thêm về mô hình Grok của xAI, một chatbot AI tiên tiến do Elon Musk dẫn dắt. Khám phá khả năng truy cập dữ liệu theo thời gian thực, các tính năng nổi bật, điểm chuẩn, trường hợp sử dụng và so sánh với các mô hình AI khác.
Hàm kích hoạt là yếu tố cơ bản của mạng nơ-ron nhân tạo, đưa vào tính phi tuyến và cho phép học các mẫu phức tạp. Bài viết này khám phá mục đích, các loại, thách thức và ứng dụng chính của chúng trong AI, học sâu và mạng nơ-ron.
Hàm mất mát log, hay còn gọi là logarithmic/cross-entropy loss, là một chỉ số quan trọng để đánh giá hiệu suất của mô hình học máy—đặc biệt cho phân loại nhị phân—bằng cách đo sự khác biệt giữa xác suất dự đoán và kết quả thực tế, đồng thời phạt nặng các dự đoán sai hoặc quá tự tin.
Trong AI, 'hào lũy' là lợi thế cạnh tranh bền vững—như quy mô kinh tế, hiệu ứng mạng lưới, công nghệ độc quyền, chi phí chuyển đổi cao và lợi thế dữ liệu—giúp các công ty duy trì vị thế dẫn đầu thị trường và ngăn chặn đối thủ cạnh tranh.
Heuristics cung cấp các giải pháp nhanh chóng, thỏa đáng trong AI bằng cách tận dụng kiến thức kinh nghiệm và các quy tắc ngầm định, đơn giản hóa các bài toán tìm kiếm phức tạp, và hướng dẫn các thuật toán như A* và Leo dốc tập trung vào các hướng đi tiềm năng nhằm tăng hiệu quả.
Hệ chuyên gia AI là một chương trình máy tính tiên tiến được thiết kế để giải quyết các vấn đề phức tạp và đưa ra quyết định tương tự như một chuyên gia con người. Những hệ thống này sử dụng một cơ sở tri thức rộng lớn và các quy tắc suy luận để xử lý dữ liệu và cung cấp giải pháp hoặc khuyến nghị.
Hệ số R bình phương hiệu chỉnh là một thước đo thống kê được sử dụng để đánh giá mức độ phù hợp của mô hình hồi quy, có tính đến số lượng biến dự báo nhằm tránh hiện tượng quá khớp và cung cấp đánh giá chính xác hơn về hiệu suất của mô hình.
Hệ Thống Tự Động Hóa AI tích hợp các công nghệ trí tuệ nhân tạo với quy trình tự động hóa, nâng cao tự động hóa truyền thống bằng khả năng nhận thức như học hỏi, lập luận và giải quyết vấn đề, để thực hiện các nhiệm vụ phức tạp với sự can thiệp tối thiểu của con người.
Hiểu Ngôn Ngữ Tự Nhiên (NLU) là một phân ngành của AI tập trung vào việc giúp máy móc hiểu và diễn giải ngôn ngữ con người theo ngữ cảnh, vượt ra ngoài xử lý văn bản cơ bản để nhận diện ý định, ngữ nghĩa và sắc thái cho các ứng dụng như chatbot, phân tích cảm xúc và dịch máy.
Học bán giám sát (SSL) là một kỹ thuật học máy tận dụng cả dữ liệu đã gán nhãn và chưa gán nhãn để huấn luyện mô hình, lý tưởng khi việc gán nhãn toàn bộ dữ liệu là không khả thi hoặc tốn kém. Phương pháp này kết hợp điểm mạnh của học có giám sát và học không giám sát để nâng cao độ chính xác và khả năng tổng quát hóa.
Học chuyển giao là một kỹ thuật máy học tiên tiến cho phép các mô hình được huấn luyện trên một nhiệm vụ có thể tái sử dụng cho một nhiệm vụ liên quan, giúp nâng cao hiệu quả và hiệu suất, đặc biệt khi dữ liệu khan hiếm.
Học Chuyển Giao là một kỹ thuật AI/ML mạnh mẽ giúp điều chỉnh các mô hình đã được huấn luyện trước cho các nhiệm vụ mới, cải thiện hiệu suất với dữ liệu hạn chế và tăng cường hiệu quả trên nhiều ứng dụng như nhận diện hình ảnh và xử lý ngôn ngữ tự nhiên (NLP).
Học Không Dựa Trên Dữ Liệu Huấn Luyện là một phương pháp trong AI cho phép mô hình nhận diện các đối tượng hoặc danh mục dữ liệu mà không cần được huấn luyện rõ ràng trên các danh mục đó, sử dụng mô tả ngữ nghĩa hoặc thuộc tính để suy luận. Phương pháp này đặc biệt hữu ích khi việc thu thập dữ liệu huấn luyện gặp khó khăn hoặc không thể thực hiện được.
Học không giám sát là một nhánh của học máy tập trung vào việc tìm kiếm các mẫu, cấu trúc và mối quan hệ trong dữ liệu chưa được gán nhãn, cho phép thực hiện các nhiệm vụ như phân cụm, giảm chiều và khai thác luật kết hợp cho các ứng dụng như phân khúc khách hàng, phát hiện bất thường và hệ thống gợi ý.
Học không giám sát là một kỹ thuật máy học huấn luyện thuật toán trên dữ liệu không gán nhãn để khám phá các mẫu ẩn, cấu trúc và mối quan hệ. Các phương pháp phổ biến bao gồm phân cụm, liên kết và giảm chiều, với các ứng dụng trong phân khúc khách hàng, phát hiện bất thường và phân tích giỏ hàng.
Học Liên Kết là một kỹ thuật học máy hợp tác, nơi nhiều thiết bị cùng huấn luyện một mô hình chung nhưng dữ liệu huấn luyện vẫn được giữ tại chỗ. Phương pháp này tăng cường quyền riêng tư, giảm độ trễ và cho phép AI mở rộng trên hàng triệu thiết bị mà không cần chia sẻ dữ liệu thô.
Học Máy (Machine Learning - ML) là một nhánh của trí tuệ nhân tạo (AI) cho phép máy móc học từ dữ liệu, nhận diện các mẫu, đưa ra dự đoán và cải thiện việc ra quyết định theo thời gian mà không cần lập trình cụ thể.
Học máy có giám sát là một khái niệm nền tảng trong AI và học máy, nơi các thuật toán được huấn luyện trên dữ liệu đã gắn nhãn để đưa ra dự đoán hoặc phân loại chính xác trên dữ liệu mới, chưa từng thấy. Tìm hiểu về các thành phần chính, các loại và lợi ích của nó.
Học máy có giám sát là một phương pháp cơ bản trong học máy và trí tuệ nhân tạo, nơi các thuật toán học từ các tập dữ liệu đã được gán nhãn để đưa ra dự đoán hoặc phân loại. Khám phá quy trình, các loại, thuật toán trọng tâm, ứng dụng và thách thức của nó.
