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 Underfitting

Underfitting ist ein wichtiges Konzept im maschinellen Lernen, das sich auf die schlechte Leistung eines Modells bei Trainingsdaten bezieht, das nicht in der Lage ist, die zugrunde liegenden Muster der Daten zu erfassen.

Diese Situation tritt normalerweise auf, wenn das Modell zu einfach ist, um komplexe Merkmale auszudrücken, was zu einer schlechten Leistung sowohl im Trainings- als auch im Testdatensatz führt.

Die Identifizierung von Underfitting ist entscheidend für die Optimierung des Modells. Wenn ein Modell unter Underfitting leidet, bedeutet dies, dass es die Merkmale der Daten nicht effektiv lernen kann.

Häufige Ursachen sind die Verwendung von übermäßig einfachen Modellen, unzureichenden Merkmalen und einer geringen Datenmenge.

Ein typisches Szenario für Underfitting tritt auf, wenn ein lineares Regressionsmodell verwendet wird, um einen Datensatz anzupassen, der eindeutig eine nichtlineare Beziehung aufweist.

Mit der ständigen Weiterentwicklung der Technologien im maschinellen Lernen entstehen neue Algorithmen und Modellarchitekturen, die besser an die Lernanforderungen komplexer Daten angepasst sind.

Einfache Modelle sind rechnerisch effizient und leicht verständlich, können jedoch zu einer schlechten Vorhersageleistung führen, wenn sie komplexe Merkmale nicht erfassen.

Beim Umgang mit Underfitting ist es wichtig, die Sensibilität für die Komplexität des Modells aufrechtzuerhalten und übermäßige Vereinfachungen zu vermeiden, die die Leistung beeinträchtigen könnten.