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 JSONL / JSON-lines

JSONL, oder JSON Lines, ist ein Format zur Speicherung strukturierter Daten, bei dem jeder Datensatz eine separate Zeile im JSON-Format ist. Dieses Format ist vorteilhaft für die Verarbeitung großer Datensätze, da es Streaming-Verarbeitung und zeilenweises Lesen ermöglicht. JSONL wird häufig in der Verarbeitung von Big Data, Protokollierung und maschinellem Lernen eingesetzt.

Das Design von JSONL zielt darauf ab, eine einfache und effiziente Möglichkeit zur Verarbeitung von JSON-Daten zu bieten. Im Gegensatz zu traditionellen JSON-Dateien ist jede Zeile in einer JSONL-Datei ein vollständiges JSON-Objekt, was das inkrementelle Lesen von Daten einfach macht. Benutzer können Daten zeilenweise lesen und analysieren, ohne die gesamte Datei in den Arbeitsspeicher laden zu müssen, was besonders wichtig für große Datensätze ist.

In der praktischen Anwendung wird das JSONL-Format häufig für den Datenaustausch und die Speicherung verwendet, beispielsweise wenn Daten in Datenpipelines von einem System in ein anderes übertragen werden. Die zeilenweise Struktur von JSONL hilft, die Integrität und Konsistenz der Daten zu gewährleisten. Darüber hinaus unterstützen viele moderne Datenverarbeitungstools und -frameworks (wie Apache Kafka, Spark usw.) das JSONL-Format, was es zu einem wichtigen Werkzeug für Datenwissenschaftler und Ingenieure macht.

In Zukunft könnte das JSONL-Format aufgrund der ständig wachsenden Datenmenge in der Datenlagerung und -verarbeitung zunehmend verbreitet werden, insbesondere in Szenarien, die eine effiziente Datenübertragung und -verarbeitung erfordern. Es gibt jedoch auch einige Überlegungen zur Verwendung von JSONL, wie die relative Komplexität der Analyse komplexer verschachtelter Strukturen. Darüber hinaus haben JSONL-Dateien keinen standardisierten Mechanismus zur Beschreibung von Metadaten, was die Interpretierbarkeit der Daten beeinträchtigen kann.