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 Normalisierung

Die Normalisierung ist ein Prozess zur Anpassung von Werten in einem Datensatz, um Vergleichbarkeit und Genauigkeit zu gewährleisten. Sie wird in verschiedenen Bereichen wie Statistik, Datenwissenschaft und Datenbankmanagement weit verbreitet eingesetzt.

In der Statistik umfasst die Normalisierung häufig die Umwandlung von Daten in ein Standardformat, normalerweise mit einem Mittelwert von null und einer Standardabweichung von eins. Dies erleichtert den Vergleich und die Analyse verschiedener Datensätze.

Im Datenbankmanagement bezieht sich die Normalisierung auf eine Entwurfstechnik, die die Datenredundanz verringert und die Datenintegrität verbessert, indem sie die Daten in verwandte Tabellen organisiert. Dies stellt sicher, dass die Beziehungen und Abhängigkeiten innerhalb der Daten logisch und effizient sind.

In den Sozialwissenschaften und der Psychologie ist die Normalisierung entscheidend für die Entwicklung von Bewertungsmaßstäben und Tests, um die Vergleichbarkeit zwischen verschiedenen Messungen zu gewährleisten. Die Ergebnisse der Normalisierung können die Forschungsergebnisse und Schlussfolgerungen erheblich beeinflussen.

Da sich die Datenwissenschaft und das maschinelle Lernen weiterentwickeln, wird die Bedeutung der Normalisierung zunehmen, insbesondere bei der Verbesserung des Modelltrainings und der Vorhersagegenauigkeit. Die Wahrung der Datensicherheit während des Normalisierungsprozesses stellt jedoch eine neue Herausforderung dar.