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 eine Politik / Verstärkendes Lernen Politik

Eine 'Politik' im verstärkenden Lernen definiert, wie ein Agent basierend auf seinem wahrgenommenen Zustand Aktionen auswählt. Sie kann deterministisch oder stochastisch sein, was die Effektivität des Lernens des Agenten in seiner Umgebung beeinflusst.

Im verstärkenden Lernen sind Politiken entscheidend, da sie den Entscheidungsprozess des Agenten leiten. Es gibt zwei Haupttypen: Verhaltenspolitik (zum Generieren von Aktionen) und Zielpolitik (zum Bewerten und Verfeinern von Aktionen). Durch Versuch und Irrtum lernt der Agent, seine Politik zu optimieren, um kumulative Belohnungen zu maximieren.

Die Zukunft der Politik im verstärkenden Lernen könnte komplexere Algorithmen umfassen, einschließlich tiefen Lernmethoden, die es Agenten ermöglichen, in komplexeren Umgebungen Entscheidungen zu treffen. Darüber hinaus wird die Zusammenarbeit und der Wettbewerb zwischen Politiken mit dem Aufkommen von Multi-Agenten-Systemen zunehmend wichtig werden.

Politiken im verstärkenden Lernen werden in Anwendungen wie Spielen, autonomem Fahren, Robotik und Finanzhandel weit verbreitet eingesetzt. Die Optimierung dieser Politiken hat direkte Auswirkungen auf die Leistung und Effizienz der Systeme, in denen sie implementiert sind.