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 Transfer Learning

Transfer Learning ist ein entscheidendes Konzept im maschinellen Lernen, das darauf abzielt, Wissen von einem Bereich auf einen anderen verwandten Bereich zu übertragen. Typischerweise kann ein Modell, das für eine Aufgabe trainiert wurde, sein Wissen auf eine andere Aufgabe anwenden, wodurch der Bedarf an großen annotierten Datensätzen erheblich verringert wird.

Im traditionellen maschinellen Lernen müssen Modelle oft von Grund auf neu auf spezifischen Aufgabendaten trainiert werden. Transfer Learning ermöglicht es Modellen jedoch, Wissen aus verwandten Aufgaben zu nutzen, was besonders wichtig ist, wenn Daten knapp sind oder die Trainingszeit begrenzt ist. Der Prozess des Transfer Learning umfasst normalerweise zwei Phasen: Zunächst wird das Modell im Quellbereich trainiert und dann im Zielbereich feinabgestimmt.

Transfer Learning hat bedeutende Anwendungen in verschiedenen Bereichen, darunter Computer Vision, natürliche Sprachverarbeitung und Spracherkennung. Zum Beispiel kann ein Modell, das auf einem großen Bilddatensatz (wie ImageNet) trainiert wurde, auf eine spezifische Bildklassifizierungsaufgabe übertragen werden.

Mit der fortschreitenden Entwicklung der Deep-Learning-Technologie hat sich Transfer Learning zu einem gängigen Ansatz entwickelt, insbesondere in Szenarien, die eine schnelle Bereitstellung und eine effiziente Ressourcennutzung erfordern. Trotz der offensichtlichen Vorteile von Transfer Learning gibt es auch Herausforderungen, wie z.B. mögliche Leistungseinbußen, wenn die Quell- und Zielbereiche nicht ausreichend miteinander verbunden sind.