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 Abfrage

Eine Abfrage ist eine Anfrage nach Informationen aus einer Datenbank oder einem Informationssystem. Im Kontext von Datenbanken ermöglicht es Benutzern, Daten mithilfe spezifischer Sprachen wie SQL abzurufen oder zu manipulieren. Abfragen können in verschiedene Typen kategorisiert werden, einschließlich Auswahlabfragen, Einfügeabfragen, Aktualisierungsabfragen und Löschabfragen, wobei jede einen einzigartigen Zweck erfüllt.

Im Internetbereich hat sich das Konzept der Abfrage erheblich erweitert. Benutzer geben Schlüsselwörter in Suchmaschinen ein, um relevante Informationen abzurufen. Dieser Prozess beruht auf komplexen Algorithmen und Datenstrukturen, um sicherzustellen, dass die zurückgegebenen Ergebnisse sowohl relevant als auch genau sind.

In Zukunft könnten Fortschritte in der künstlichen Intelligenz und im maschinellen Lernen die Art und Weise verändern, wie Abfragen ausgeführt werden. Verbesserungen in der Verarbeitung natürlicher Sprache ermöglichen es Benutzern, in einer natürlicheren Sprache zu fragen, was es einfacher macht, die gewünschten Informationen zu erhalten. Darüber hinaus werden Datenschutz und Datensicherheit weiterhin wichtige Überlegungen bei der Entwicklung von Abfragesystemen sein.