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 JAX

JAX ist eine von Google entwickelte Open-Source-Bibliothek für hochperformante numerische Berechnungen und maschinelles Lernen. Der Name steht für 'Just After eXecution' und weist auf die Fähigkeit hin, zur Laufzeit zu optimieren, insbesondere bei der automatischen Differenzierung.

JAX kombiniert die Benutzerfreundlichkeit von NumPy mit der Leistungsfähigkeit von TensorFlow und ermöglicht es Benutzern, effiziente Berechnungen mit einfachem Python-Code durchzuführen. Eine der wichtigsten Funktionen ist die Unterstützung der automatischen Differenzierung, die die Berechnung von Gradienten erleichtert.

JAX nutzt einen Compiler namens XLA (Accelerated Linear Algebra), um die Python-Funktionen der Benutzer in effizienten Maschinencode zu übersetzen und so den Berechnungsprozess zu beschleunigen. Diese Optimierung sorgt dafür, dass JAX bei der Verarbeitung großer Datenmengen herausragende Leistungen erbringt.

JAX wird in den Bereichen maschinelles Lernen, wissenschaftliche Berechnungen und numerische Optimierung weit verbreitet eingesetzt. Viele wegweisende Forschungen und Anwendungen haben JAX angenommen, insbesondere in den Bereichen Deep Learning, Reinforcement Learning und generative Modelle.

In Zukunft könnte JAX weiterhin seine Fähigkeiten erweitern und mehr Entwickler und Forscher anziehen. Mit der fortwährenden Entwicklung von maschinellem Lernen und künstlicher Intelligenz könnte JAX auch in Bezug auf Leistung und Benutzerfreundlichkeit weiter verbessert werden.

Trotz seiner vielen Vorteile, wie hoher Leistung und Flexibilität, hat JAX auch einige Nachteile. Zum Beispiel kann die Lernkurve von JAX für Anfänger steil sein, insbesondere für diejenigen, die mit NumPy oder maschinellem Lernen nicht vertraut sind. Außerdem befindet sich das Ökosystem von JAX im Vergleich zu anderen Frameworks (wie TensorFlow oder PyTorch) noch in der Entwicklung, und einige Funktionen sind möglicherweise noch nicht vollständig ausgereift.