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 Zygosität in der Augmentation

Zygosität bezieht sich auf die genetische Konstitution eines Organismus in Bezug auf seine Allele, die entweder homozygot oder heterozygot sein können. Im Kontext der Augmentation ist das Verständnis der Zygosität entscheidend, da sie die Wirksamkeit verschiedener therapeutischer Interventionen erheblich beeinflussen kann.

In Bereichen wie der Gentherapie kann die Zygosität eines Individuums beeinflussen, wie gut es auf Behandlungen reagiert, die darauf abzielen, bestimmte Eigenschaften zu verbessern oder genetische Störungen zu korrigieren. Beispielsweise können Individuen mit homozygoten Bedingungen unterschiedliche Reaktionen im Vergleich zu heterozygoten Individuen zeigen, was die Behandlungsergebnisse beeinflusst.

Mit dem Fortschritt der Biotechnologie, insbesondere mit Technologien wie CRISPR, wird die Fähigkeit, Augmentierungstherapien basierend auf der Zygosität anzupassen, wahrscheinlich häufiger werden. Dies könnte zu personalisierten medizinischen Ansätzen führen, die die Wirksamkeit der Behandlung optimieren und Risiken minimieren.

Insgesamt stellt die Integration von Zygositätsüberlegungen in Augmentierungsstrategien einen bedeutenden Schritt in der Entwicklung genetischer Therapien dar und ebnet den Weg für effektivere und individuellere Behandlungen.