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 Unüberwachtes Lernen

Unüberwachtes Lernen ist eine Art des maschinellen Lernens, die sich mit unbeschrifteten Daten befasst. Im Gegensatz zum überwachten Lernen zielt es darauf ab, Muster und Strukturen innerhalb von Daten ohne die Anleitung von Labels zu finden. Diese Technik ist grundlegend für viele Anwendungen, wie z.B. Clustering, Dimensionsreduktion und Assoziationsregel-Lernen.

Clustering ist eine Methode, um Datenpunkte so zu gruppieren, dass Punkte innerhalb derselben Gruppe einander ähnlicher sind. Die Dimensionsreduktion vereinfacht die Daten, indem sie die Anzahl der Merkmale verringert und dabei wichtige Informationen beibehält. Assoziationsregel-Lernen hilft dabei, Beziehungen zwischen Variablen zu entdecken, und wird häufig in der Warenkorbanalyse verwendet, um das Kaufverhalten der Verbraucher zu verstehen.

Ein großer Vorteil des unüberwachten Lernens ist die Fähigkeit, große Mengen unbeschrifteter Daten zu verarbeiten, was in vielen realen Szenarien häufig vorkommt. Allerdings gibt es auch Nachteile, wie z.B. das Fehlen klarer Bewertungskriterien, was die Beurteilung der Modellleistung erschwert.

Wenn wir in die Zukunft schauen, wird erwartet, dass das unüberwachte Lernen zunehmend an Bedeutung gewinnen wird, insbesondere in den Bereichen Big Data und künstliche Intelligenz. Forscher erkunden kontinuierlich neue Methoden zur Verbesserung seiner Effektivität, wie z.B. durch den Einsatz von Reinforcement Learning und Generative Adversarial Networks (GAN).