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 ein diskriminatives Modell

Ein diskriminatives Modell ist ein Typ von statistischem Modell, das im maschinellen Lernen verwendet wird, um Datenpunkte basierend auf ihren Merkmalen zu klassifizieren. Im Gegensatz zu generativen Modellen, die versuchen, die Verteilung der Daten zu modellieren, konzentrieren sich diskriminative Modelle darauf, die Grenze zwischen verschiedenen Klassen zu lernen.

Eines der häufigsten Beispiele für diskriminative Modelle ist die logistische Regression, die insbesondere für binäre Klassifikationsaufgaben verwendet wird. Weitere Beispiele sind Support Vector Machines (SVM), Entscheidungsbäume und neuronale Netze im Deep Learning. Diese Modelle werden in vielen Bereichen wie Bilderkennung, Textklassifizierung und Bioinformatik eingesetzt.

Die Hauptvorteile von diskriminativen Modellen sind ihre Effizienz und Genauigkeit. Sie erzielen in der Regel eine höhere Klassifikationsgenauigkeit als generative Modelle, da sie sich auf das Lernen der Entscheidungsgrenze konzentrieren. Allerdings können diskriminative Modelle empfindlich auf Rauschen in den Trainingsdaten reagieren, insbesondere in Fällen mit unausgewogenen Datensätzen. Zudem haben sie möglicherweise Schwierigkeiten, die zugrunde liegenden Verteilungsmerkmale der Daten zu erfassen.

Mit der fortschreitenden Entwicklung des maschinellen Lernens erweitern sich auch die Anwendungen diskriminativer Modelle. In Zukunft könnten diskriminative Modelle, die mit Deep-Learning-Techniken kombiniert werden, bei der Bewältigung komplexer Aufgaben überlegene Leistungen erbringen.