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 BERT

BERT (Bidirektionale Encoder-Darstellungen von Transformatoren) ist ein 2018 von Google entwickeltes Modell für natürliche Sprachverarbeitung (NLP). Sein Design zielt darauf ab, die kontextuellen Beziehungen der Sprache besser zu verstehen, indem es die Interaktionen zwischen Wörtern in einem Text durch einen bidirektionalen Ansatz erfasst.

Das Hauptmerkmal von BERT ist seine Bidirektionalität, die es ermöglicht, den Kontext von Wörtern sowohl von links als auch von rechts gleichzeitig zu berücksichtigen. Dieses umfassende Verständnis ermöglicht es BERT, die subtilen Bedeutungen von Sätzen effektiver zu erfassen als traditionelle unidirektionale Modelle.

BERT hat sowohl in der Wissenschaft als auch in der Industrie erhebliche Auswirkungen gezeigt, indem es Anwendungen in Frage-Antwort-Systemen, Sentiment-Analysen und Textklassifizierungen verbessert hat. Viele Suchmaschinen und Chatbots haben begonnen, BERT zu implementieren, um ihre Fähigkeiten zur Verarbeitung natürlicher Sprache zu verbessern.

Allerdings hat BERT auch seine Einschränkungen, wie z. B. hohe Anforderungen an Rechenressourcen und potenziell langsamere Verarbeitungszeiten. Darüber hinaus kann es erforderlich sein, zusätzliche Feinabstimmungen vorzunehmen, um eine optimale Leistung beim Verständnis der Sprache in spezifischen Domänen zu erzielen.