Привет, решил Вам накидать небольшой словарь терминов, связанных с LLM
А то попытался в гугле посмотреть, и не нашел нормальных статей на эту тему. Пжлста:
🔤 1. Искусственный интеллект (ИИ) / Artificial Intelligence (AI)
Компьютерные системы, которые выполняют задачи, требующие человеческого интеллекта. Бывает узкий ИИ, который специализируется на одной задаче, и широкий ИИ, который теоретически может справиться с любым видом задач.
🔤 2. Машинное обучение / Machine Learning (ML)
Алгоритмы, которые учатся на данных, улучшаясь с каждым новым примером. По сути, это способ научить компьютеры делать предсказания и принимать решения на основе опыта, а не программных инструкций.
🔤 3. Глубокое обучение / Deep Learning
Это тип машинного обучения, который использует многослойные нейронные сети для анализа сложных данных. Чем больше слоёв, тем сложнее задачи, которые модель может решать, например, распознавание лиц или обработка естественного языка.
🔤 4. Нейронные сети / Neural Networks
Модели, которые работают по принципу нашего мозга: информация проходит через сеть "нейронов", которые обрабатывают данные и учатся на них. Основной инструмент глубокого обучения.
🔤 5. Обработка естественного языка / Natural Language Processing (NLP)
Это направление ИИ, которое занимается тем, чтобы компьютеры понимали и обрабатывали человеческую речь и текст. Используется в чат-ботах, переводчиках и других системах, взаимодействующих с людьми.
🔤 6. Генеративные модели / Generative Models
Модели, которые способны создавать новые данные, похожие на те, на которых они обучались. Например, могут генерировать текст, изображения или музыку на основе изученных примеров.
🔤 7. Разреженные представления / Sparse Representations
Метод, при котором данные представляются так, что только небольшая часть из них имеет значение в любой момент времени. Это позволяет экономить вычислительные ресурсы и ускоряет процесс анализа.
🔤 8. Обратное распространение ошибки / Backpropagation
Алгоритм, который позволяет нейронным сетям обучаться, корректируя свои ошибки. Сеть анализирует, где она ошиблась, и подстраивает свои веса, чтобы улучшить точность в будущем.
🔤 9. Трансформеры / Transformers
Архитектура, которая кардинально изменила подход к обработке текста и других последовательных данных. Благодаря механизму внимания, трансформеры позволяют обрабатывать данные быстрее и с большей точностью.
🔤 10. Оверсэмплирование / Oversampling
Техника, которая помогает сбалансировать классы в данных путём создания дополнительных копий редких примеров. Это улучшает обучение модели и делает её более точной на нечастых данных.
🔤 11. Адаптивные моменты (Adam) / Adaptive Moments (Adam)
Алгоритм оптимизации, который регулирует скорость обучения для каждого параметра модели, что делает процесс обучения более эффективным и стабильным.
🔤 12. Объяснимый ИИ / Explainable AI (XAI)
Подходы и методы, которые позволяют пользователю понимать, как и почему ИИ принял то или иное решение. Это важно для повышения доверия к системам ИИ, особенно в критически важных областях.
🔤 13. Аугментация данных / Data Augmentation
Метод увеличения объёма данных путём изменения существующих примеров, например, поворот изображения или изменение его яркости. Это помогает улучшить качество обучения модели.
🔤 14. Градиентный бустинг / Gradient Boosting
Техника, при которой несколько слабых моделей объединяются для повышения точности предсказаний. Каждая новая модель исправляет ошибки предыдущих, создавая сильный ансамбль.
🔤 15. Обезличивание данных / Data Anonymization
Процесс удаления или маскировки личной информации в данных, чтобы защитить конфиденциальность. Это важно для соблюдения стандартов безопасности и защиты данных.
Если было полезно, пишите, делать ли еще.
А то попытался в гугле посмотреть, и не нашел нормальных статей на эту тему. Пжлста:
Компьютерные системы, которые выполняют задачи, требующие человеческого интеллекта. Бывает узкий ИИ, который специализируется на одной задаче, и широкий ИИ, который теоретически может справиться с любым видом задач.
Алгоритмы, которые учатся на данных, улучшаясь с каждым новым примером. По сути, это способ научить компьютеры делать предсказания и принимать решения на основе опыта, а не программных инструкций.
Это тип машинного обучения, который использует многослойные нейронные сети для анализа сложных данных. Чем больше слоёв, тем сложнее задачи, которые модель может решать, например, распознавание лиц или обработка естественного языка.
Модели, которые работают по принципу нашего мозга: информация проходит через сеть "нейронов", которые обрабатывают данные и учатся на них. Основной инструмент глубокого обучения.
Это направление ИИ, которое занимается тем, чтобы компьютеры понимали и обрабатывали человеческую речь и текст. Используется в чат-ботах, переводчиках и других системах, взаимодействующих с людьми.
Модели, которые способны создавать новые данные, похожие на те, на которых они обучались. Например, могут генерировать текст, изображения или музыку на основе изученных примеров.
Метод, при котором данные представляются так, что только небольшая часть из них имеет значение в любой момент времени. Это позволяет экономить вычислительные ресурсы и ускоряет процесс анализа.
Алгоритм, который позволяет нейронным сетям обучаться, корректируя свои ошибки. Сеть анализирует, где она ошиблась, и подстраивает свои веса, чтобы улучшить точность в будущем.
Архитектура, которая кардинально изменила подход к обработке текста и других последовательных данных. Благодаря механизму внимания, трансформеры позволяют обрабатывать данные быстрее и с большей точностью.
Техника, которая помогает сбалансировать классы в данных путём создания дополнительных копий редких примеров. Это улучшает обучение модели и делает её более точной на нечастых данных.
Алгоритм оптимизации, который регулирует скорость обучения для каждого параметра модели, что делает процесс обучения более эффективным и стабильным.
Подходы и методы, которые позволяют пользователю понимать, как и почему ИИ принял то или иное решение. Это важно для повышения доверия к системам ИИ, особенно в критически важных областях.
Метод увеличения объёма данных путём изменения существующих примеров, например, поворот изображения или изменение его яркости. Это помогает улучшить качество обучения модели.
Техника, при которой несколько слабых моделей объединяются для повышения точности предсказаний. Каждая новая модель исправляет ошибки предыдущих, создавая сильный ансамбль.
Процесс удаления или маскировки личной информации в данных, чтобы защитить конфиденциальность. Это важно для соблюдения стандартов безопасности и защиты данных.
Если было полезно, пишите, делать ли еще.