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 Clustering

Clustering ist eine Datenanalysetechnik, die in maschinellem Lernen und Datenanalyse weit verbreitet ist. Das Hauptziel besteht darin, eine Gruppe von Objekten in mehrere Kategorien zu gruppieren, sodass Objekte innerhalb derselben Kategorie einander ähnlich sind, während Objekte in verschiedenen Kategorien so unterschiedlich wie möglich sind. Diese Technik wird häufig in der explorativen Datenanalyse eingesetzt, um Muster und Strukturen in den Daten zu identifizieren.

Es gibt verschiedene Algorithmen für das Clustering, darunter K-Means, hierarchisches Clustering und DBSCAN. Jeder Algorithmus hat seine eigenen Vor- und Nachteile, abhängig von der Anwendung. Beispielsweise ist der K-Means-Algorithmus für große Datensätze geeignet, erfordert jedoch eine vordefinierte Anzahl von Clustern, während DBSCAN diese Annahme nicht benötigt und sich ideal zur Verarbeitung von Rauschdaten eignet.

Die Anwendungsmöglichkeiten des Clustering sind vielfältig und umfassen Marktsegmentierung, soziale Netzwerk Analyse, Bildverarbeitung und medizinische Diagnostik. Mit dem kontinuierlichen Wachstum von Datenvolumen und -komplexität wird erwartet, dass sich die Clustering-Techniken weiterentwickeln und mit neuen Technologien wie Deep Learning kombiniert werden, um die Genauigkeit und Effizienz der Datenanalyse zu verbessern.

Clustering bringt jedoch auch einige Herausforderungen mit sich, wie die Auswahl des geeigneten Clustering-Algorithmus, die Bestimmung optimaler Parameter und die Bewertung der Wirksamkeit der Clusterergebnisse. Daher ist ein tiefes Verständnis der Clustering-Techniken und praktische Erfahrungen für Datenwissenschaftler von entscheidender Bedeutung.