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 Überwachtes Lernen

Überwachtes Lernen ist ein Ansatz des maschinellen Lernens, bei dem ein Modell auf einem gekennzeichneten Datensatz trainiert wird. Jedes Trainingsbeispiel enthält Eingabedaten sowie das entsprechende Ausgabelabel. Diese Methode wird häufig bei Klassifizierungs- und Regressionsaufgaben eingesetzt, mit dem Ziel, Ergebnisse für unbekannte Daten vorherzusagen, indem die Beziehung zwischen Eingaben und Ausgaben verstanden wird.

Im Hinblick auf den Kontext ist das überwachte Lernen ein entscheidender Zweig des maschinellen Lernens, insbesondere in Bereichen wie Datenanalyse und prädiktiver Modellierung. Sein Betrieb umfasst in der Regel mehrere Schritte, einschließlich Datenerfassung, Vorverarbeitung, Modellauswahl, Training und Bewertung. Durch die kontinuierliche Anpassung von Modellparametern und Algorithmen kann das überwachte Lernen die Vorhersagegenauigkeit verbessern.

In der praktischen Anwendung wird das überwachte Lernen häufig in der E-Mail-Filterung, Bild- und Spracherkennung sowie in der Finanzprognose eingesetzt. Zu den Vorteilen gehören relativ einfache Implementierung und hohe Interpretierbarkeit, während zu den Nachteilen die Abhängigkeit von großen gekennzeichneten Datensätzen und das Risiko von Überanpassung gehören.

Mit Blick auf die Zukunft wird erwartet, dass das überwachte Lernen bei komplexeren Aufgaben Fortschritte macht, da das Datenvolumen zunimmt und die Rechenleistung steigt. Insbesondere mit dem Fortschritt der Technologien des tiefen Lernens sind die Entwicklungsperspektiven für das überwachte Lernen groß. Dennoch bleibt die effektive Beschaffung und Verarbeitung gekennzeichneter Daten eine Herausforderung.