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 Pooling?

Pooling ist eine Technik, die in verschiedenen Bereichen wie Informatik, Datenwissenschaft und Finanzen weit verbreitet ist. Im Bereich der Computer-Netzwerke bezieht sich Pooling auf die Praxis, Ressourcen effizient zu teilen und zu verwalten, indem mehrere Ressourcen kombiniert werden, um die Nutzung zu optimieren und die Latenz zu reduzieren.

In der Datenwissenschaft ist Pooling eine Methode zur Reduzierung der Dimensionalität von Daten, insbesondere bei der Bildverarbeitung, die häufig in Convolutional Neural Networks (CNN) mit Techniken wie Max-Pooling und Average-Pooling zu sehen ist. Dies hilft, die Genauigkeit und Effizienz des Modells zu verbessern.

Im Finanzbereich bezieht sich Pooling auf die Zusammenlegung von Geldern mehrerer Investoren, um bessere Anlageerträge zu erzielen. Diese Praxis ermöglicht es kleinen Investoren, von größeren Anlagechancen zu profitieren.

Die Bedeutung von Pooling liegt in seiner Fähigkeit, die Ressourcennutzung zu erhöhen und Kosten zu senken. Mit der Weiterentwicklung der Technik wird die Anwendung von Pooling in der künstlichen Intelligenz und Big Data zunehmend verbreitet.

Obwohl Pooling erhebliche Vorteile bietet, kann es auch Nachteile wie Datenverlust und unvollständige Informationen mit sich bringen. Daher ist es wichtig, die Integrität und Genauigkeit der Daten bei der Implementierung von Pooling-Techniken sorgfältig zu berücksichtigen.