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 RNN / Rekurrentes Neuronales Netzwerk

RNN, oder Rekurrentes Neuronales Netzwerk, ist ein Typ von Deep-Learning-Modell, das besonders gut für die Verarbeitung von sequenziellen Daten wie Zeitreihen oder natürlicher Sprache geeignet ist. Im Gegensatz zu traditionellen neuronalen Netzwerken, bei denen Eingaben und Ausgaben statisch sind, können RNNs dynamische Sequenzen verarbeiten, da sie eine 'Speicher'-Funktion besitzen, die es ihnen ermöglicht, Informationen aus vorherigen Eingaben zu behalten und für nachfolgende Ausgaben zu verwenden.

Diese Fähigkeit macht RNNs in Bereichen wie der Verarbeitung natürlicher Sprache (NLP), der Spracherkennung und der Videoanalyse besonders erfolgreich. Der Kern von RNN liegt in seiner rekurrenten Struktur, die Abhängigkeiten in zeitlichen Daten erfasst, indem Informationen durch Zyklen weitergegeben werden.

Allerdings haben RNNs auch einige Nachteile, insbesondere die Probleme des verschwindenden und explodierenden Gradienten, die die Leistung bei langen Sequenzen beeinträchtigen. Um diese Probleme zu überwinden, führten Forscher komplexere Varianten wie Langzeit-Kurzzeit-Speicher (LSTM) Netzwerke und Gated Recurrent Units (GRU) ein, die in vielen Aufgaben eine bessere Leistung erbringen.

Mit der rasanten Entwicklung des Deep Learnings erweitern sich auch die Anwendungsgebiete der RNNs, einschließlich maschineller Übersetzung, Sentimentanalyse und generativer Modelle. In Zukunft werden RNNs und ihre Varianten weiterhin Fortschritte in der künstlichen Intelligenz vorantreiben, insbesondere in Bereichen, die die Verarbeitung von sequenziellen Daten erfordern.