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 Boosting

Boosting ist eine Ensemble-Technik des maschinellen Lernens, die darauf abzielt, die Genauigkeit von Vorhersagemodellen zu verbessern. Es kombiniert mehrere schwache Lernende, typischerweise Entscheidungsbäume, zu einem einzigen starken Lernenden, um die Vorhersageleistung zu erhöhen. Diese Methode ist besonders effektiv bei unausgeglichenen Datensätzen, da sie das Lernen aus fälschlicherweise klassifizierten Proben betont.

Bei Boosting handelt es sich um einen iterativen Prozess, bei dem der Algorithmus sich auf die Datenpunkte konzentriert, die das vorherige Modell falsch klassifiziert hat. Auf diese Weise kann Boosting effektiv Verzerrungen und Varianz reduzieren und die Gesamtleistung des Modells verbessern. Zu den bekanntesten Boosting-Algorithmen gehören AdaBoost, Gradient Boosting und XGBoost.

Im Marketing kann Boosting auch Strategien umfassen, die darauf abzielen, die Sichtbarkeit und den Einfluss einer Marke zu erhöhen, oft durch Werbung in sozialen Medien und Suchmaschinenoptimierung. Diese Strategien sollen die Interaktion und die Konversionsraten der Kunden erhöhen und so den Umsatz und das Unternehmenswachstum vorantreiben.

In Zukunft könnten Boosting-Methoden zunehmend mit fortschrittlichen Technologien des maschinellen Lernens wie Deep Learning kombiniert werden, um komplexere und leistungsstärkere Modelle zu schaffen. Es ist jedoch wichtig zu beachten, dass Boosting-Techniken zwar viele Vorteile bieten, aber auch zu Überanpassung führen können, insbesondere im Umgang mit Rauschen in den Daten.