TopAIToolsTopAITools

Glossary

0-9
1-shot learning3D convolution5G + AI6DoF pose estimation7D representation8-bit quantization2-stage detector9-layer network0-shot learning4D data
A
AGI / Artificial General IntelligenceAttentionAutoencoderAlgorithmArtificial Intelligence (AI)
B
BackpropagationBatch NormalizationBERTBiasBoosting
C
ClusteringCNN / Convolutional Neural NetworkChatbotClassifier / ClassificationCross-Validation
D
Data AugmentationDeep LearningDeepfakeDeterministic ModelDiscriminative Model
E
EncoderEmbeddingEnsemble LearningEpochExplainable AI (XAI)
F
Foundation ModelFine-tuningFusion / Multimodal FusionFeature ExtractionForward Propagation
G
Graph Neural Network (GNN)GAN / Generative Adversarial NetworkGenerative AIGradient DescentGrounding
H
Hierarchical ModelHyperparameterHidden LayerHallucinationHeuristic
I
Instance / SampleInstruction tuningIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JAXJitteringJoint EmbeddingJSONL / JSON-linesJuxtaposition
K
Kernel TrickKL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKnowledge Distillation
L
Learning RateLarge Language Model (LLM)Latent VariableLoss FunctionLSTM / Long Short-Term Memory
M
ModelMachine Learning (ML)Meta-learningMulti-head AttentionMultimodal / Multimodality
N
Neural NetworkNovelty Detection / Anomaly DetectionNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNormalization
O
Objective FunctionOptimizerOne-hot EncodingOnline LearningOverfitting
P
ParameterPromptPolicy / Reinforcement Learning PolicyPoolingPretraining
Q
QueryQ-learningQuality EstimationQuantizationQueue / Buffer
R
Representation LearningRegularizationReinforcement Learning (RL)Retrieval Augmented Generation (RAG)RNN / Recurrent Neural Network
S
SamplingSelf-Supervised LearningSequence ModelingSoftmaxSupervised Learning
T
TokenizerTransfer LearningTransformerTuning / Hyperparameter TuningTraining Data
U
Universal Approximation TheoremU-NetUnderfittingUncertainty EstimationUnsupervised Learning
V
Validation SetVanishing / Exploding GradientVariational Autoencoder (VAE)Vector EmbeddingVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
XOR problemX-axis / feature axisXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisY-transform / YUVYAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI
Z
Zero-gradient phenomenonZero-centric / Zero-bias initializationZ-score NormalizationZero-shot Learning / Zero-shot inferenceZygosity in augmentation

Was ist Z-score-Normalisierung?

Die Z-score-Normalisierung, auch bekannt als Standardisierung, ist eine häufig verwendete Datenvorverarbeitungstechnik in der statistischen Analyse und im maschinellen Lernen. Ihr Hauptziel ist es, Daten in eine Standardnormalverteilung mit einem Mittelwert von 0 und einer Standardabweichung von 1 zu konvertieren, um den Einfluss unterschiedlicher Maßstäbe und Einheiten auf das Modelltraining zu beseitigen.


In vielen Datenanalyseaufgaben können die Einheiten und Bereiche der Merkmale variieren, was dazu führt, dass bestimmte Merkmale den Trainingsprozess des Modells dominieren. Die Z-score-Normalisierung passt jeden Datenpunkt relativ zum Mittelwert und zur Standardabweichung an, wodurch die Verteilungen der Merkmale konsistenter für nachfolgende Analysen und Modellierungen werden.


Der Z-score wird mit der Formel: Z = (X - μ) / σ berechnet, wobei X der zu normalisierende Originalwert, μ der Mittelwert und σ die Standardabweichung ist. Diese Formel ermöglicht es, Daten in eine standardisierte Skala zu transformieren.


Die Z-score-Normalisierung wird in verschiedenen Bereichen häufig eingesetzt, insbesondere in maschinellen Lernmodellen wie Support Vector Machines (SVM), logistischer Regression und neuronalen Netzwerken. Die Konsistenz der Merkmalsmaße kann die Konvergenzgeschwindigkeit und Genauigkeit des Modells erhöhen.


Zu den Vorteilen gehören die Beseitigung des dimensionalen Einflusses zwischen den Merkmalen, was das Training des Modells stabiler macht, und die Unterstützung einer schnelleren Konvergenz des Algorithmus, insbesondere bei gradientenbasierten Methoden. Sie ist jedoch empfindlich gegenüber Ausreißern, die die Berechnung von Mittelwert und Standardabweichung beeinflussen und die Ergebnisse verzerren können, und eignet sich nur für normalverteilte Daten; wenn die Verteilung der Daten stark von der Normalverteilung abweicht, kann sie weniger effektiv sein.


Mit dem Fortschritt der Datenwissenschaft wird die Z-score-Normalisierung und ihre Varianten weiterhin in der Verarbeitung großer Datenmengen, im Deep Learning und in der Echtzeitanalyse von Daten eingesetzt. Forscher untersuchen auch robustere Normalisierungsmethoden, um die Herausforderungen moderner Datensätze zu bewältigen.


Bei der Verwendung der Z-score-Normalisierung ist es entscheidend, die Verteilung der Daten zu bewerten, um die Normalität sicherzustellen. Auch die Behandlung von Ausreißern sollte Teil der Vorverarbeitung sein, um deren Einfluss auf die Normalisierungsergebnisse zu minimieren.