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 der Kernel Trick

Der Kernel Trick ist eine grundlegende Technik, die im maschinellen Lernen verwendet wird, insbesondere in Support Vector Machines (SVM) und anderen auf inneren Produkten basierenden Algorithmen. Er ermöglicht es, Daten von einem niederdimensionalen Raum in einen hochdimensionalen Raum zu überführen, was die Trennung von Daten in hohen Dimensionen erleichtert.

Diese Technik ist wichtig, da sie Berechnungen im hochdimensionalen Merkmalsraum ermöglicht, ohne jede Eigenschaft explizit zu berechnen, wodurch die Rechenkomplexität, insbesondere bei der Verarbeitung großer Datensätze, verringert wird. Sie hat sich in verschiedenen Anwendungen als nützlich erwiesen, wie z.B. bei der Bildklassifikation, der Textkategorisierung und der Bioinformatik.

In Zukunft könnte der Kernel Trick zunehmend mit fortschrittlichen Technologien wie dem Deep Learning kombiniert werden, was die Fähigkeiten von Maschinenlernmodellen weiter verbessern könnte. Allerdings ist die Wahl der Kernel-Funktion und der Parameter entscheidend für die Modellleistung, weshalb es wichtig ist, diese sorgfältig auszuwählen, um Probleme wie Overfitting zu vermeiden.