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 Juxtaposition?

Juxtaposition ist ein Begriff, der aus dem Lateinischen stammt und 'nebeneinander stellen' bedeutet. Er wird häufig in den Bereichen Kunst, Literatur, Fotografie und Design verwendet, um Kontraste oder Ähnlichkeiten zwischen zwei oder mehr Elementen hervorzuheben. Diese Technik ermöglicht es den Zuschauern, visuelle oder konzeptionelle Vergleiche anzustellen und regt zu tieferem Nachdenken an.

In der Kunstgeschichte kann die Juxtaposition bis zu vielen großen Künstlern und Bewegungen wie dem Impressionismus und dem Surrealismus zurückverfolgt werden. Durch die Anordnung von Werken unterschiedlicher Stile, Farben oder Themen können Künstler neue Bedeutungen und Emotionen schaffen. Zum Beispiel stellte Picasso in seinen kubistischen Werken die traditionelle Darstellung in Frage, indem er verschiedene Perspektiven und Elemente juxtaposierte.

In der Literatur wird die Juxtaposition häufig verwendet, um Charaktere, Handlungen oder Themen zu kontrastieren, wodurch die narrative Tiefe erhöht wird. Zum Beispiel hob Charles Dickens häufig soziale Ungerechtigkeiten hervor, indem er die Lebensweisen von Reichen und Armen in seinen Romanen gegenüberstellte.

Mit dem Aufkommen digitaler Medien erweitert sich auch das Anwendungsspektrum der Juxtaposition. Designer und Kreative nutzen diese Technik, um auffällige visuelle Effekte in sozialen Medien, Werbung und Markenpromotion zu erzeugen.

Es ist jedoch wichtig zu beachten, dass die Verwendung von Juxtaposition auch ihre Grenzen hat. Übermäßiger oder unangemessener Kontrast kann zu Verwirrung oder Missverständnissen führen, weshalb es wichtig ist, die Auswirkungen sorgfältig zu berücksichtigen.