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 Quantisierung

Quantisierung ist ein grundlegendes Konzept in der digitalen Signalverarbeitung und Informatik. Es umfasst die Umwandlung kontinuierlicher Daten, wie analoger Signale, in diskrete Daten zur Speicherung und Verarbeitung in digitalen Systemen. Der Kern des Quantisierungsprozesses liegt in der Auswahl eines geeigneten diskreten Niveaus zur Darstellung kontinuierlicher Werte, was sowohl die Genauigkeit der Daten als auch deren nachfolgende Analyse beeinflusst.

Die Anwendungen der Quantisierung sind vielfältig, insbesondere in Bereichen wie der Bildverarbeitung, der Audioverarbeitung und dem maschinellen Lernen. Zum Beispiel kann die Quantisierung im maschinellen Lernen die Größe von Modellen und die Rechenkomplexität reduzieren, wodurch die Betriebseffizienz erhöht und der Speicherbedarf minimiert wird. In der Bildkompression werden Quantisierungstechniken verwendet, um die Dateigröße zu reduzieren und gleichzeitig die visuelle Qualität des Bildes zu erhalten.

Die Quantisierung bringt jedoch auch einige Nachteile mit sich, wobei die möglicherweise bedeutendste die Informationsverluste und die verringerte Präzision sind. Daher ist es wichtig, Effizienz und Genauigkeit bei der Gestaltung von Quantisierungsmodellen auszubalancieren. Mit dem technologischen Fortschritt könnten zukünftige Trends in der Quantisierung intelligenteren Algorithmen und effizienteren Implementierungen dienen, um den wachsenden Anforderungen an die Datenverarbeitung gerecht zu werden.