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 Deep Learning

Deep Learning - AI and technology concept illustration

© 2025 / unsplash.com

Deep Learning ist ein Teilbereich des maschinellen Lernens, der mehrschichtige neuronale Netze verwendet, um Daten zu analysieren und Muster zu erkennen. Das zentrale Konzept besteht darin, die Struktur und Funktion des menschlichen Gehirns nachzuahmen und große Datenmengen sowie Rechenleistung zu nutzen, um Merkmalsdarstellungen zu lernen.

Die Bedeutung des Deep Learning liegt in seiner Fähigkeit, komplexe Daten zu verarbeiten. Im Vergleich zu traditionellen maschinellen Lernalgorithmen kann Deep Learning automatisch Merkmale extrahieren, was die manuelle Intervention reduziert. Dies hat zu überlegener Leistung in verschiedenen Anwendungen geführt, wie z. B. in autonomen Fahrzeugen und der medizinischen Bildanalyse. In Zukunft wird erwartet, dass sich der Anwendungsbereich des Deep Learning mit den Fortschritten in der Computerhardware und der Verbreitung von Big Data weiter ausdehnt.

Deep Learning hat jedoch auch einige Nachteile, darunter eine hohe Datenanforderung, zeitaufwendige Trainingsprozesse und eine geringe Interpretierbarkeit des Modells. Darüber hinaus ist das Problem des Overfittings besonders ausgeprägt, wenn die Daten unzureichend sind. Daher ist es wichtig, diese Aspekte in praktischen Anwendungen zu berücksichtigen.