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 Instanz / Probe

Die Begriffe 'Instanz' und 'Probe' werden in verschiedenen Bereichen verwendet, insbesondere in der Informatik, Statistik und Datenanalyse. In der Informatik bezieht sich eine 'Instanz' auf ein spezifisches Objekt, das aus einer Klasse erstellt wurde, während eine 'Probe' einen Teil von Daten darstellt, der aus einem größeren Datensatz zur Analyse und Inferenz entnommen wurde.

Im maschinellen Lernen kann eine Instanz als einzelner Datenpunkt betrachtet werden, der für das Training des Modells erforderlich ist, während eine Probe einen Teil des Datensatzes bezeichnet, der für das Training, die Validierung oder den Test des Modells ausgewählt wurde. Beispielsweise kann jede Zeile in einem Datensatz als Instanz betrachtet werden, während bestimmte Zeilen, die aus dem Datensatz ausgewählt wurden, als Proben für die Forschung dienen.

Die Anwendung dieser Konzepte ist in der wissenschaftlichen Forschung und technischen Entwicklung von entscheidender Bedeutung. In der Statistik müssen Forscher aus einer Population eine Stichprobe entnehmen, um Merkmale abzuleiten, was die Repräsentativität der Proben entscheidend macht. In der Programmierung ist der Prozess der Instanziierung von Objekten entscheidend für das Verständnis der objektorientierten Programmierung.

Mit der rasanten Entwicklung der Datenwissenschaft und des maschinellen Lernens wird das Verständnis der Konzepte von Instanzen und Proben immer wichtiger. In Zukunft wird die Art und Weise, wie Instanzen und Proben genutzt werden, die Modellleistung und die Effektivität der Forschung direkt beeinflussen.