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 eine Verborgene Schicht

Die verborgene Schicht ist ein entscheidender Bestandteil neuronaler Netze, der zwischen der Eingabeschicht und der Ausgabeschicht liegt. Sie ist verantwortlich für das Erfassen komplexer Muster und Merkmale in den Eingabedaten, wodurch das Netzwerk effektiv lernen und Vorhersagen treffen kann.

Jedes Neuron in der verborgenen Schicht wandelt das Eingangssignal über eine Aktivierungsfunktion in ein Ausgangssignal um. Das Design der verborgenen Schichten ermöglicht es dem Modell, hochgradige Merkmale der Daten zu lernen, wodurch seine Verallgemeinerungsfähigkeit und Genauigkeit verbessert werden. Der Aufbau und die Feinabstimmung der verborgenen Schichten sind wesentliche Aspekte beim Bau eines effizienten neuronalen Netzwerks, das in der Regel die Auswahl von Hyperparametern und die Experimentierung mit Architekturen umfasst.

Mit der wachsenden Anwendung des tiefen Lernens entwickelt sich auch die Forschung und Optimierung der verborgenen Schichten weiter. In Zukunft könnte das Design der verborgenen Schichten automatisierter werden, indem fortschrittlichere Algorithmen zur Optimierung von Netzwerkstrukturen genutzt werden. Forscher erkunden auch Wege, die Anzahl der verborgenen Schichten zu reduzieren, um die Interpretierbarkeit des Modells zu verbessern.

Die Vorteile der verborgenen Schichten umfassen die Fähigkeit, komplexe Datenmuster zu verarbeiten und zu lernen, während die Nachteile mit einer erhöhten Komplexität des Modells verbunden sind, die zu Überanpassung führen kann. Bei der Verwendung verborgener Schichten ist es entscheidend, geeignete Regularisierungsmethoden auszuwählen und Hyperparameter anzupassen, um die Leistung und Stabilität des Modells zu verbessern.