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 ein neuronales Netzwerk

Ein neuronales Netzwerk ist ein rechnerisches Modell, das von der Art und Weise inspiriert ist, wie biologische neuronale Netzwerke Informationen verarbeiten. Es besteht aus miteinander verbundenen Gruppen von künstlichen Neuronen, die gemeinsam verschiedene Arten von Daten analysieren.

Die grundlegende Struktur eines neuronalen Netzwerks umfasst eine Eingabeschicht, eine oder mehrere verborgene Schichten und eine Ausgabeschicht. Jedes Neuron in diesen Schichten erhält Eingaben von der vorhergehenden Schicht, verarbeitet diese und gibt seine Ausgaben an die nächste Schicht weiter. Diese Architektur ermöglicht es neuronalen Netzwerken, komplexe Muster und Beziehungen in Daten zu lernen.

Neuronale Netzwerke werden in Anwendungen wie Bildverarbeitung, Verarbeitung natürlicher Sprache und autonomem Fahren eingesetzt. Sie haben diese Bereiche revolutioniert, indem sie Computern ermöglichten, ein menschliches Leistungsniveau bei Aufgaben zu erreichen, die zuvor als zu komplex für Maschinen galten.

Allerdings bringen sie Herausforderungen mit sich, wie die Notwendigkeit großer Mengen an beschrifteten Daten für das Training und die rechenintensive Natur. Darüber hinaus kann ihr Entscheidungsprozess undurchsichtig sein und Bedenken hinsichtlich Verantwortung und Vorurteile aufwerfen.

Die Zukunft neuronaler Netzwerke könnte effizientere Algorithmen umfassen, die weniger Daten benötigen, eine größere Transparenz bei der Entscheidungsfindung und potenzielle Integrationen mit aufkommenden Technologien wie Quantencomputing.