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 K-means Clustering

K-means Clustering ist ein beliebter Algorithmus des unüberwachten Lernens, der verwendet wird, um Datenpunkte in K verschiedene Cluster zu gruppieren. Jedes Cluster wird durch seinen Schwerpunkt definiert, der der Durchschnitt der den Cluster zugewiesenen Punkte ist. Der Algorithmus weist die Datenpunkte iterativ dem nächstgelegenen Schwerpunkt zu und berechnet die Schwerpunkte erneut, bis eine Konvergenz erreicht ist.

Der Prozess beginnt mit der zufälligen Auswahl von K initialen Schwerpunkten. Jeder Datenpunkt wird dann dem Cluster zugewiesen, das durch den nächstgelegenen Schwerpunkt dargestellt wird. Nachdem alle Punkte zugewiesen wurden, werden die Schwerpunkte aktualisiert, indem der Durchschnitt aller Punkte in jedem Cluster berechnet wird. Dieser Prozess wird wiederholt, bis die Schwerpunkte sich nicht signifikant ändern oder eine maximale Anzahl von Iterationen erreicht ist.

K-means wird in verschiedenen Bereichen wie Marktsegmentierung, Analyse sozialer Netzwerke und Bildverarbeitung weit verbreitet eingesetzt. Es hat jedoch Einschränkungen, wie z. B. die Empfindlichkeit gegenüber der anfänglichen Platzierung der Schwerpunkte und die Schwierigkeit, nicht kugelförmige Cluster zu handhaben. Mit zunehmenden Datenmengen könnte K-means durch die Kombination mit anderen Algorithmen weiterentwickelt werden, um robustere Clusterlösungen zu bilden.