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 die Lernrate?

Die Lernrate ist ein entscheidender Hyperparameter im maschinellen Lernen und im tiefen Lernen, der die Geschwindigkeit des Modelltrainings bestimmt. Sie steuert, wie stark das Modell in Reaktion auf den geschätzten Fehler jedes Mal angepasst wird, wenn die Modellgewichte aktualisiert werden.

Eine gut gewählte Lernrate kann die Konvergenz des Modells erheblich beschleunigen, während eine ungeeignete Lernrate zu langsamer Konvergenz oder sogar Divergenz führen kann. Eine zu hohe Lernrate kann beispielsweise dazu führen, dass der Trainingsprozess oszilliert oder divergiert, während eine zu niedrige Lernrate zu einem übermäßig langsamen Training führen kann.

Die Auswahl der Lernrate hängt normalerweise von verschiedenen Faktoren ab, einschließlich der Größe des Datensatzes, der Komplexität und der Modellarchitektur. Verschiedene Strategien zur Anpassung der Lernrate, wie z.B. Lernratenverringerung und adaptive Lernraten (wie Adam und RMSprop), wurden vorgeschlagen, um die Trainingsergebnisse zu optimieren.

In der Praxis wird die Festlegung der Lernrate normalerweise durch Versuch und Irrtum, geleitet von Erfahrung und Kreuzvalidierung, vorgenommen. Mit der Weiterentwicklung der Optimierungsalgorithmen wird der Prozess der Auswahl der Lernrate wahrscheinlich automatisierter werden, was die Effizienz und Effektivität des Modelltrainings verbessert.