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 Maschinelles Lernen (ML)

Machine Learning (ML) - AI and technology concept illustration

© 2025 / unsplash.com

Maschinelles Lernen (Machine Learning, ML) ist ein Zweig der künstlichen Intelligenz, der die Verwendung von Algorithmen und statistischen Modellen umfasst, um Computersysteme in die Lage zu versetzen, spezifische Aufgaben ohne explizite Anweisungen auszuführen. Der Kern ist, durch datengestützte Methoden zu lernen und die Leistung zu verbessern.

Die Funktionsweise des maschinellen Lernens wird typischerweise in überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen unterteilt. Beim überwachten Lernen wird das System mit beschrifteten Daten trainiert, um Ergebnisse für unbekannte Daten vorherzusagen; beim unüberwachten Lernen muss das System Muster in unbeschrifteten Daten entdecken. Verstärkendes Lernen betont die Interaktion zwischen dem Agenten und der Umgebung durch Ausprobieren.

Die Bedeutung des maschinellen Lernens zeigt sich in seiner Auswirkung auf verschiedene Branchen, insbesondere im Gesundheitswesen, in der Finanzwirtschaft und im Einzelhandel. Es hilft Unternehmen, die Effizienz zu steigern, Kosten zu senken und das Kundenerlebnis zu verbessern. Maschinelles Lernen hat jedoch auch Nachteile, wie die Abhängigkeit von großen Datenmengen, die Interpretierbarkeit des Modells und potenzielle Vorurteile.

In Zukunft wird maschinelles Lernen weiterentwickelt, was zu komplexeren Modellen und Algorithmen, reichhaltigeren Datenquellen und höherer Rechenleistung führt. Verschiedene Branchen erkunden innovative Anwendungen des maschinellen Lernens, und es ist wahrscheinlich, dass disruptive Technologien und Lösungen entstehen werden.

Zu den wichtigen Überlegungen gehören die Sicherstellung der Datenqualität und -repräsentativität, der Schutz der Privatsphäre der Benutzer sowie die angemessene Bewertung und Regulierung von Algorithmen.