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 Heuristik

Heuristik bezieht sich auf eine Methode zur Problemlösung oder Entscheidungsfindung, die praktische Ansätze auf der Grundlage von Erfahrung und Intuition verwendet. Dieser Begriff, der aus dem Griechischen für 'entdecken' stammt, wird in Bereichen wie Psychologie und Informatik weit verbreitet verwendet.

In der künstlichen Intelligenz werden heuristische Algorithmen häufig eingesetzt, um schnell annähernde Lösungen für komplexe Probleme zu finden, ohne exhaustive Suchen durchführen zu müssen. Zum Beispiel ist der A*-Algorithmus ein bekannter heuristischer Suchalgorithmus, der verwendet wird, um den kürzesten Weg in Navigationssystemen zu finden.

Ein Hauptvorteil heuristischer Methoden ist ihre Effizienz, insbesondere bei komplexen Problemen, die schnelle Lösungen erfordern. Sie können jedoch auch zu Verzerrungen oder ungenauen Ergebnissen führen, was eine sorgfältige Berücksichtigung ihrer Einschränkungen erforderlich macht.

In Zukunft deuten technologische Fortschritte darauf hin, dass heuristische Methoden zunehmend mit maschinellem Lernen kombiniert werden könnten, um Entscheidungsfähigkeiten und Problemlösungseffizienz zu verbessern. Insgesamt spielen Heuristiken eine wesentliche Rolle in der modernen Wissenschaft und Technologie und verdienen eine tiefere Erkundung und Anwendung.