Glossary

0-9

1-shot learning 3D convolution 5G + AI 6DoF pose estimation 7D representation 8-bit quantization 2-stage detector 9-layer network 0-shot learning 4D data

A

AGI / Artificial General Intelligence Attention Autoencoder Algorithm Artificial Intelligence (AI)

B

Backpropagation Batch Normalization BERT Bias Boosting

C

Clustering CNN / Convolutional Neural Network Chatbot Classifier / Classification Cross-Validation

D

Data Augmentation Deep Learning Deepfake Deterministic Model Discriminative Model

E

Encoder Embedding Ensemble Learning Epoch Explainable AI (XAI)

F

Foundation Model Fine-tuning Fusion / Multimodal Fusion Feature Extraction Forward Propagation

G

Graph Neural Network (GNN)GAN / Generative Adversarial Network Generative AI Gradient Descent Grounding

H

Hierarchical Model Hyperparameter Hidden Layer Hallucination Heuristic

I

Instance / Sample Instruction tuning Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

JAX Jittering Joint Embedding JSONL / JSON-lines Juxtaposition

K

Kernel Trick KL Divergence (Kullback–Leibler Divergence)K-means Clustering K-Shot Learning Knowledge Distillation

L

Learning Rate Large Language Model (LLM)Latent Variable Loss Function LSTM / Long Short-Term Memory

M

Model Machine Learning (ML)Meta-learning Multi-head Attention Multimodal / Multimodality

N

Neural Network Novelty Detection / Anomaly Detection NLP / Natural Language Processing NLU / Natural Language Understanding Normalization

O

Objective Function Optimizer One-hot Encoding Online Learning Overfitting

P

Parameter Prompt Policy / Reinforcement Learning Policy Pooling Pretraining

Q

Query Q-learning Quality Estimation Quantization Queue / Buffer

R

Representation Learning Regularization Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)RNN / Recurrent Neural Network

S

Sampling Self-Supervised Learning Sequence Modeling Softmax Supervised Learning

T

Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning Training Data

U

Universal Approximation Theorem U-Net Underfitting Uncertainty Estimation Unsupervised Learning

V

Validation Set Vanishing / Exploding Gradient Variational Autoencoder (VAE)Vector Embedding 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

Zero-gradient phenomenon Zero-centric / Zero-bias initialization Z-score Normalization Zero-shot Learning / Zero-shot inference Zygosity in augmentation

Was ist ein Hyperparameter

Ein Hyperparameter ist ein entscheidendes Konzept im maschinellen Lernen und im tiefen Lernen. Er bezieht sich auf die Parameter, die vor dem Trainingsprozess des Modells festgelegt werden und nicht aus den Trainingsdaten gelernt werden. Stattdessen müssen diese Parameter manuell festgelegt werden. Die Wahl der Hyperparameter hat direkte Auswirkungen auf die Leistung und die Ergebnisse des Modells, weshalb eine sorgfältige Auswahl unerlässlich ist.

Zu den gängigen Arten von Hyperparametern gehören die Lernrate, die Batch-Größe, Regularisierungsparameter und die Tiefe sowie Breite der Netzwerkstruktur. Die Auswahl der richtigen Hyperparameter kann dem Modell helfen, die Merkmale der Daten besser zu lernen, wodurch die Verallgemeinerungsfähigkeit des Modells auf neuen Daten verbessert wird. Der Auswahlprozess für Hyperparameter umfasst häufig Techniken wie Kreuzvalidierung, um sicherzustellen, dass die gewählten Parameter die Leistung des Modells effektiv verbessern.

Die Festlegung von Hyperparametern kann jedoch eine herausfordernde Aufgabe sein, die in der Regel Erfahrung und umfangreiche Experimente erfordert. In den letzten Jahren sind automatisierte Hyperparameter-Optimierungstechniken wie die bayessche Optimierung entstanden, um die Zeit und den Aufwand für die manuelle Anpassung zu reduzieren. Diese Methoden durchsuchen den Hyperparameterraum intelligent, um optimale Kombinationen zu finden.

In der Zukunft wird erwartet, dass die Methoden zur Optimierung von Hyperparametern intelligenter und automatisierter werden, während die Technologien für maschinelles Lernen weiter fortschreiten, was möglicherweise zu einem vollständig automatisierten Trainingsprozess für Modelle führt.