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 Q-learning?

Q-learning ist ein modellfreier Algorithmus für das verstärkende Lernen, der es einem Agenten ermöglicht, den Wert von Aktionen in einem bestimmten Zustand zu lernen. Er funktioniert durch Interaktion mit der Umgebung und das Lernen einer Strategie zur Maximierung der kumulierten Belohnungen. Die Bedeutung von Q-learning liegt in seiner Fähigkeit, Entscheidungen zu optimieren, ohne das Modell der Umgebung zu kennen.

Die grundlegende Idee von Q-learning ist die Verwendung einer Q-Funktion zur Bewertung des Werts jedes Zustands-Aktions-Paares. Der Algorithmus aktualisiert die Q-Werte iterativ auf Basis der aus der Umgebung erhaltenen Belohnungen, normalerweise unter Verwendung der Bellman-Gleichung für die Aktualisierungen. Dieser Ansatz hat sich in verschiedenen Anwendungen, einschließlich Spiel-KI, Roboternavigation und adaptiver Steuerung, als bemerkenswert leistungsfähig erwiesen.

Ein Vorteil von Q-learning ist seine Einfachheit und die leichte Implementierung, sowie die Fähigkeit, mit hochdimensionalen Zustandsräumen umzugehen. Es gibt jedoch auch Nachteile, wie eine langsame Konvergenz, den Bedarf an umfangreicher Exploration und mögliche Instabilität in bestimmten Szenarien.

In Zukunft wird erwartet, dass die Integration von Q-learning mit tiefen Lerntechniken (bekannt als Deep Q Networks oder DQN) die Leistung in komplexeren Umgebungen verbessert. Daher ist es wichtig, die grundlegenden Prinzipien und Anwendungen von Q-learning zu verstehen, um in der Forschung und Anwendung des verstärkenden Lernens erfolgreich zu sein.