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 Sampling

Sampling bezieht sich auf den Prozess, eine Teilmenge von Individuen aus einer Population auszuwählen, um die Eigenschaften der gesamten Gruppe zu schätzen. In der Statistik ist es eine entscheidende Methode zur Datensammlung, die es Forschern ermöglicht, Schlussfolgerungen zu ziehen, ohne die gesamte Population befragen zu müssen. Zu den gängigen Sampling-Methoden gehören Zufallsstichprobe, geschichtete Stichprobe und systematische Stichprobe, jede mit ihren eigenen Vor- und Nachteilen.

In der Marktforschung spielt Sampling eine wichtige Rolle, indem es Unternehmen hilft, Verbraucherpräferenzen und -verhalten zu verstehen. Durch Umfragen und Interviews mit einer Stichprobe der Zielgruppe können Unternehmen Strategien entwickeln, die besser auf die Marktbedürfnisse eingehen. Dieser Ansatz spart nicht nur Zeit und Ressourcen, sondern liefert auch wertvolle Einblicke.

In der Informatik werden Sampling-Techniken in verschiedenen Bereichen wie der Signalverarbeitung, der Bildanalyse und dem maschinellen Lernen angewendet. Diese Methoden ermöglichen die effektive Handhabung und Analyse großer Datensätze und verbessern die Entscheidungsfindung und das prädiktive Modellieren.

Mit Blick auf die Zukunft wird erwartet, dass sich Sampling-Methoden weiterentwickeln, während sich die Datenwissenschaft und künstliche Intelligenz weiterentwickeln. Neue adaptive und intelligente Sampling-Techniken könnten die Effizienz und Genauigkeit erhöhen und komplexeren Analysebedürfnissen gerecht werden.