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 die X-Achse / Merkmalsachse

Die X-Achse, oft als Merkmalsachse bezeichnet, ist ein kritisches Element in der Datenvisualisierung und der statistischen Analyse. Sie repräsentiert die horizontale Linie in einem Diagramm und wird verwendet, um unabhängige Variablen oder spezifische Merkmale von Daten darzustellen. Die korrekte Beschriftung und Skalierung der X-Achse sind für die präzise Interpretation von Daten unerlässlich.

In vielen Diagrammtypen, wie z.B. Streudiagrammen oder Liniendiagrammen, kann die X-Achse Zeit, Kategorien oder kontinuierliche Werte darstellen, was die Wahrnehmung des Publikums über Trends und Beziehungen in den Daten beeinflusst. Zum Beispiel kann im Streudiagramm, in dem die X-Achse die Zeit und die Y-Achse die Verkaufszahlen darstellt, das Design der X-Achse die Visualisierung von Trends erheblich beeinflussen.

Mit Blick auf die Zukunft könnten sich die Trends in Richtung interaktiverer und dreidimensionaler Visualisierungstools verschieben, die das Engagement der Benutzer mit den auf der X-Achse angezeigten Datenmerkmalen erhöhen. Während diese Fortschritte intuitivere Einblicke bieten können, können komplexe Grafiken auch Verwirrung bei den Zuschauern stiften. Daher ist die Klarheit bei der Beschriftung der X-Achse und die angemessene Verwendung von Einheiten entscheidend für die effektive Kommunikation von Dateninsights.