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 sind Trainingsdaten

Trainingsdaten beziehen sich auf den Datensatz, der verwendet wird, um maschinelle Lernmodelle zu trainieren. Sie sind ein zentrales Element der Bereiche maschinelles Lernen und künstliche Intelligenz und beeinflussen direkt die Leistung und Genauigkeit der Modelle.

Die Qualität und Vielfalt der Trainingsdaten bestimmen die Wirksamkeit des Modells in realen Anwendungen. In Aufgaben der Bilderkennung können Trainingsdaten beispielsweise Tausende von gekennzeichneten Bildern enthalten, damit das Modell verschiedene Objekte erkennen kann.

Im maschinellen Lernprozess sind die Datensammlung und -verarbeitung entscheidende Schritte. Daten müssen gereinigt, gekennzeichnet und aufgeteilt werden, um ihre Qualität und Anwendbarkeit zu gewährleisten. Die Größe und Komplexität des Datensatzes können auch die Trainingszeit und die Generalisierungsfähigkeit des Modells beeinflussen.

Zukünftige Trends zeigen, dass technologische Fortschritte wie generative Modelle und selbstüberwachtes Lernen die Bedürfnisse an Trainingsdaten verändern. Diese Ansätze können effektiv mit weniger gekennzeichneten Daten lernen und die Abhängigkeit von großen Trainingsdatensätzen verringern.

Was die Vor- und Nachteile betrifft, so ist der Vorteil der Trainingsdaten, dass sie die Grundlage für den Erfolg des maschinellen Lernens bilden und dem Modell das Material zum Lernen bereitstellen. Die Erhebung und Kennzeichnung von Daten kann jedoch zeitaufwändig und kostspielig sein. Darüber hinaus können Datenverzerrungen und Datenschutzprobleme die Fairness und Zuverlässigkeit der Modelle beeinträchtigen.