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 Online-Lernen

Online-Lernen bezieht sich auf den Bildungs- und Lernprozess, der über das Internet durchgeführt wird. In den letzten Jahren ist Online-Lernen aufgrund des rasanten technologischen Fortschritts und der weitverbreiteten Internetzugänglichkeit zu einer bedeutenden Bildungsform geworden.

Die Ursprünge des Online-Lernens gehen auf die 1990er Jahre zurück, als Bildungseinrichtungen begannen, die Möglichkeiten von Online-Kursen mit dem Aufkommen des Webs zu erkunden. Heute wird Online-Lernen nicht nur in der Hochschulbildung, sondern auch in der Berufsausbildung und der Weiterbildung eingesetzt. Statistiken zeigen, dass sich der Markt für Online-Lernen weiterhin vergrößert und in den kommenden Jahren weiter wachsen wird.

Die Hauptbetriebsweise des Online-Lernens umfasst in der Regel Video-Kurse, Online-Diskussionen, die Einreichung von Aufgaben und Echtzeit-Interaktionen. Viele Plattformen bieten Selbststudienmaterialien und Online-Tests an, um den Schülern zu helfen, Wissen zu erwerben. In typischen Szenarien können Schüler jederzeit und überall auf Kursinhalte zugreifen, an Online-Diskussionen teilnehmen und sogar mit Kollegen aus der ganzen Welt interagieren.

Online-Lernen hat jedoch auch Vor- und Nachteile. Die Vorteile umfassen Flexibilität, Bequemlichkeit und eine Vielfalt an Ressourcen; während die Nachteile einen Mangel an persönlicher Interaktion, unzureichende Lernmotivation und technische Probleme umfassen können. Darüber hinaus können zukünftige Trends im Online-Lernen personalisierte Lern-Erfahrungen, den Einsatz von künstlicher Intelligenz und die Einführung von Virtual-Reality-Technologien umfassen. Schüler sollten beim Wählen von Online-Lernen auf die Qualität der Kurse, die Glaubwürdigkeit der Plattformen und ihre eigenen Lerngewohnheiten achten.