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 Epoch

Der Begriff Epoch bezieht sich auf einen bedeutenden Zeitraum in der Geschichte oder Geologie, der wichtige Ereignisse oder Veränderungen markiert. In der Geologie sind epochs Unterteilungen von Perioden in der geologischen Zeitskala, die genutzt werden, um die Geschichte der Erde und ihre klimatischen Veränderungen zu beschreiben. Zum Beispiel ist die Pleistozän-Epoche bekannt für ihre Eiszeiten und die Evolution des Menschen.

In der Informatik, insbesondere im maschinellen Lernen, bedeutet eine Epoch einen vollständigen Durchlauf des Trainingsdatensatzes durch den Algorithmus, sodass das Modell seine Gewichte aktualisieren kann. Dieses Konzept ist entscheidend für das Verständnis, wie Modelle im Laufe der Zeit lernen, da häufig mehrere Epochen erforderlich sind, um eine optimale Genauigkeit zu erreichen.

Das Verständnis von Epochs in beiden Kontexten ermöglicht es Forschern, vergangene Ereignisse zu analysieren und zukünftige Vorhersagen zu verbessern. Mit der Weiterentwicklung der Technologie wird die Relevanz von Epochs im maschinellen Lernen zunehmend wichtiger, was zu neuen Trainingsmethoden und -methodologien führt.