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 Kreuzvalidierung

Kreuzvalidierung ist eine statistische Methode zur Bewertung der Leistung und Zuverlässigkeit von maschinellen Lernmodellen. Die Grundidee besteht darin, den Datensatz in mehrere Teilmengen zu unterteilen und das Modell mehrfach zu trainieren und zu testen, um seine Verallgemeinerungsfähigkeit zu bewerten. Diese Technik ist besonders nützlich zur Lösung des Problems der Überanpassung und sorgt dafür, dass das entwickelte Modell auf unbekannten Daten robust funktioniert.

Eine der häufigsten Formen der Kreuzvalidierung ist die K-fache Kreuzvalidierung. Bei dieser Methode wird der Datensatz zufällig in K Teilmengen unterteilt, wobei K-1 Teilmengen zum Training verwendet werden und die verbleibende Teilmenge zum Testen dient. Dieser Prozess wird K-mal wiederholt, wobei jedes Mal eine andere Teilmenge als Testmenge ausgewählt wird. Die endgültige Bewertung der Modellleistung erfolgt durch den Durchschnitt der Ergebnisse aller K-Tests. Es gibt auch Varianten wie die Leave-One-Out-Kreuzvalidierung.

Der Vorteil der Kreuzvalidierung liegt in ihrer Fähigkeit, Daten effektiv zu nutzen, insbesondere wenn die Datenmenge begrenzt ist. Durch mehrfaches Training und Testen wird die Zufälligkeit, die mit der Datenpartitionierung verbunden ist, verringert, wodurch die Zuverlässigkeit der Modellevaluation erhöht wird. Allerdings hat die Kreuzvalidierung auch ihre Nachteile, wie z.B. hohe Rechenkosten, insbesondere bei großen Datensätzen und komplexen Modellen.

In Zukunft könnte die Kreuzvalidierung mit automatisierter Modellauswahl und Hyperparameter-Optimierung kombiniert werden, um die Leistung und Effizienz von Maschinenlernmodellen weiter zu verbessern. Mit der Zunahme der Rechenleistung und der Entwicklung von Big-Data-Technologien wird erwartet, dass die Anwendung der Kreuzvalidierung noch verbreiteter wird.