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 Algorithmus

Ein Algorithmus ist eine Reihe von Regeln und Schritten, die zur Lösung von Problemen oder zur Durchführung von Aufgaben verwendet werden. Er stammt aus dem Griechischen und spielt eine entscheidende Rolle in der Informatik. Von grundlegenden Sortier- und Suchalgorithmen bis hin zu komplexen Modellen des maschinellen Lernens finden Algorithmen in verschiedenen Bereichen wie Finanzen, Gesundheitswesen und Verkehr Anwendung.

Der Betrieb eines Algorithmus besteht typischerweise aus drei Teilen: Eingabe, Verarbeitung und Ausgabe. Ein Sortieralgorithmus nimmt beispielsweise ein ungeordnetes Array als Eingabe, verarbeitet es und gibt ein geordnetes Array aus.

Algorithmen werden häufig in Suchmaschinen, sozialen Medienempfehlungen, Datenanalysen und künstlicher Intelligenz eingesetzt. Zum Beispiel verwendet die Google-Suchmaschine komplexe Algorithmen, um zu bestimmen, welche Webseiten für die Suchanfragen der Nutzer am relevantesten sind, und liefert die besten Suchergebnisse.

Mit dem Fortschritt der Technologie wird die Forschung und Anwendung von Algorithmen weiterhin fortschreiten, insbesondere im Bereich der künstlichen Intelligenz und Big Data. Algorithmen werden komplexer und intelligenter, sodass sie größere Datensätze verarbeiten und genauere Ergebnisse liefern können.

Obwohl Algorithmen Vorteile wie Effizienz, Wiederholbarkeit und Genauigkeit bieten, haben sie auch Einschränkungen, wie die Abhängigkeit von der Datenqualität und mögliche Vorurteile. Daher ist es wichtig, ihre Anwendbarkeit und Risiken bei der Verwendung von Algorithmen sorgfältig zu bewerten.

Bei der Gestaltung und Verwendung von Algorithmen ist es wichtig, Transparenz und Interpretierbarkeit sicherzustellen. Dies hilft den Nutzern, den Entscheidungsprozess des Algorithmus zu verstehen, was das Vertrauen in die Ergebnisse des Algorithmus erhöht.