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 sind Ungleichgewichtige Daten

Ungleichgewichtige Daten beziehen sich auf eine Situation im maschinellen Lernen, in der die Klassenverteilung nicht gleichmäßig ist. Dies führt häufig dazu, dass Modelle in den Minderheitsklassen schlecht abschneiden. Zum Beispiel ist bei der Betrugserkennung die Anzahl der betrügerischen Transaktionen viel geringer als die der legitimen. Dieses Ungleichgewicht kann die Vorhersagen des Modells zugunsten der Mehrheitsklasse verzerren, was die gesamte Effektivität beeinträchtigen kann.

Bei der Bearbeitung ungerechtfertigter Daten werden häufig Techniken wie das Übersampling der Minderheitsklasse oder das Untersampling der Mehrheitsklasse verwendet. Darüber hinaus kann die Verwendung spezifischer Bewertungsmetriken wie F1-Score oder AUC dazu beitragen, die Leistung des Modells auf unausgeglichenen Datensätzen besser zu verstehen. Diese Methoden helfen sicherzustellen, dass das Modell lernt, Minderheitsklassen effektiv zu identifizieren, was in Anwendungen wie medizinischen Diagnosen oder Betrugserkennung entscheidend ist.

Mit dem Fortschritt der Datenwissenschaft entstehen neue Strategien, wie Generative Adversarial Networks (GANs), um dieses Problem anzugehen. Es ist jedoch darauf zu achten, Überanpassung oder den Verlust wertvoller Informationen zu vermeiden. Die Wahl des richtigen Ansatzes basierend auf dem spezifischen Kontext ist entscheidend für den Aufbau zuverlässiger Modelle.