TopAIToolsTopAITools

Glossary

0-9
1-shot learning3D convolution5G + AI6DoF pose estimation7D representation8-bit quantization2-stage detector9-layer network0-shot learning4D data
A
AGI / Artificial General IntelligenceAttentionAutoencoderAlgorithmArtificial Intelligence (AI)
B
BackpropagationBatch NormalizationBERTBiasBoosting
C
ClusteringCNN / Convolutional Neural NetworkChatbotClassifier / ClassificationCross-Validation
D
Data AugmentationDeep LearningDeepfakeDeterministic ModelDiscriminative Model
E
EncoderEmbeddingEnsemble LearningEpochExplainable AI (XAI)
F
Foundation ModelFine-tuningFusion / Multimodal FusionFeature ExtractionForward Propagation
G
Graph Neural Network (GNN)GAN / Generative Adversarial NetworkGenerative AIGradient DescentGrounding
H
Hierarchical ModelHyperparameterHidden LayerHallucinationHeuristic
I
Instance / SampleInstruction tuningIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JAXJitteringJoint EmbeddingJSONL / JSON-linesJuxtaposition
K
Kernel TrickKL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKnowledge Distillation
L
Learning RateLarge Language Model (LLM)Latent VariableLoss FunctionLSTM / Long Short-Term Memory
M
ModelMachine Learning (ML)Meta-learningMulti-head AttentionMultimodal / Multimodality
N
Neural NetworkNovelty Detection / Anomaly DetectionNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNormalization
O
Objective FunctionOptimizerOne-hot EncodingOnline LearningOverfitting
P
ParameterPromptPolicy / Reinforcement Learning PolicyPoolingPretraining
Q
QueryQ-learningQuality EstimationQuantizationQueue / Buffer
R
Representation LearningRegularizationReinforcement Learning (RL)Retrieval Augmented Generation (RAG)RNN / Recurrent Neural Network
S
SamplingSelf-Supervised LearningSequence ModelingSoftmaxSupervised Learning
T
TokenizerTransfer LearningTransformerTuning / Hyperparameter TuningTraining Data
U
Universal Approximation TheoremU-NetUnderfittingUncertainty EstimationUnsupervised Learning
V
Validation SetVanishing / Exploding GradientVariational Autoencoder (VAE)Vector EmbeddingVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
XOR problemX-axis / feature axisXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisY-transform / YUVYAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI
Z
Zero-gradient phenomenonZero-centric / Zero-bias initializationZ-score NormalizationZero-shot Learning / Zero-shot inferenceZygosity in augmentation

Was ist Datenaugmentation

Datenaugmentation ist eine Technik, die verwendet wird, um die Vielfalt von Trainingsdatensätzen zu erhöhen, insbesondere im Bereich des maschinellen Lernens und des tiefen Lernens. Durch das Anwenden von Transformationen wie Rotation, Skalierung, Zuschnitt und Hinzufügen von Rauschen zu bestehenden Proben können neue Proben erzeugt werden, wodurch die Generalisierungsfähigkeit des Modells verbessert und Überanpassung reduziert wird.


Die Bedeutung der Datenaugmentation zeigt sich in mehreren Aspekten. In Situationen, in denen Daten knapp sind, kann sie die verfügbare Datenmenge für das Training effektiv erhöhen und so die Leistung des Modells verbessern. Darüber hinaus helfen die augmentierten Proben dem Modell, wichtige Merkmale besser zu lernen, wodurch die Leistung des Modells auf ungesehenen Proben verbessert wird.


In Bezug auf die Funktionsweise können Datenaugmentationstechniken in mehrere Typen unterteilt werden, darunter geometrische Transformationen, Farbtransformationen und Rauschinjektion. Geometrische Transformationen wie Rotation und Spiegelung können den Blickwinkel von Bildern ändern; Farbtransformationen passen Helligkeit und Kontrast an und ändern die Farbverteilung von Bildern; Rauschinjektion fügt Bilder zufälliges Rauschen hinzu, um die Robustheit des Modells gegenüber fehlerhaften Daten zu verbessern.


Typische Anwendungsfälle sind die Bildklassifizierung, die Verarbeitung natürlicher Sprache und die Audioanalyse. Zum Beispiel kann im Bildklassifizierungsbereich das Rotieren und Zuschneiden von Bildern mehr Trainingsproben generieren, wodurch die Genauigkeit der Klassifikationsmodelle verbessert wird. In der Verarbeitung natürlicher Sprache kann durch Synonymersetzung und Satzumstrukturierung eine Datenaugmentation für Text durchgeführt werden.


Der zukünftige Trend der Datenaugmentation könnte sich in Richtung automatisierter und intelligenter Ansätze entwickeln, wie zum Beispiel die Verwendung von Generativen Adversarialen Netzen (GANs), um qualitativ hochwertige augmentierte Proben zu erzeugen. Darüber hinaus wird die Datenaugmentation mit dem Aufkommen des selbstüberwachten Lernens enger mit unüberwachten Lernmethoden verbunden sein.


Obwohl die Datenaugmentation erhebliche Vorteile für die Leistungsverbesserung des Modells bietet, gibt es auch Nachteile. Unangemessene Augmentation kann fehlerhafte Proben einführen, was zu einer verringerten Leistungsfähigkeit des Modells führt. Darüber hinaus kann übermäßige Datenaugmentation dazu führen, dass das Modell unnötige Merkmale lernt, was sich negativ auf die Leistung bei realen Daten auswirkt. Daher ist es wichtig, bei der Verwendung der Datenaugmentation geeignete Strategien sorgfältig auszuwählen und angemessene Bewertungen vorzunehmen.