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 Vektor-Embedding?

Vektor-Embedding ist eine Technik, die Objekte wie Wörter oder Bilder in feste Vektorrepräsentationen umwandelt. Diese Methode ist besonders wichtig im Bereich der natürlichen Sprachverarbeitung (NLP) und des maschinellen Lernens, da sie die semantischen Beziehungen zwischen Objekten beibehält, während sie hochdimensionale Daten in niederdimensionale Räume abbildet.

Zu den bekanntesten Beispielen für Vektor-Embedding gehören Modelle wie Word2Vec, GloVe und BERT, die Vektoren erzeugen, indem sie auf großen Textkorpora trainiert werden, um semantische Ähnlichkeiten zwischen Wörtern zu erfassen. Diese Embeddings spielen eine entscheidende Rolle in Anwendungen wie der Informationssuche, Empfehlungssystemen und Chatbots.

Der Prozess umfasst in der Regel das Abbilden von Objekten in einen hochdimensionalen Raum unter Verwendung von neuronalen Netzwerken oder anderen Algorithmen für das Training. Nach dem Training kann das Modell neue Objektvektoren erzeugen, wobei sich ähnliche Objekte im Vektorraum näher beieinander befinden.

In Zukunft könnten wir mit dem Fortschritt des Deep Learnings effizientere Trainingsmethoden und reichhaltigere Vektorrepräsentationen sehen. Es ist jedoch wichtig, die Auswahl des Modells und die Qualität der Trainingsdaten zu berücksichtigen, um eine effektive Darstellung zu gewährleisten.