Command Palette
Search for a command to run...
Wiki
Machine Learning Glossary: Explore definitions and explanations of key AI and ML concepts
Music Information Retrieval (MIR) ist ein interdisziplinäres Feld, das sich mit der Extraktion von Informationen aus Musik und deren Analyse beschäftigt und darauf abzielt, die Prozesse, Systeme und Wissensrepräsentationen zu untersuchen, die zum Abrufen von Informationen aus Musik erforderlich sind.
Reinforcement Learning mit KI-Feedback (RLAIF) ist ein hybrider Lernansatz, der es dem lernenden Agenten ermöglicht, sein Verhalten nicht nur auf der Grundlage von Belohnungen aus der Umgebung, sondern auch auf der Grundlage von Erkenntnissen aus anderen KI-Systemen zu verfeinern und so den Lernprozess zu bereichern.
Bei der Mustererkennung werden Algorithmen des maschinellen Lernens verwendet, um Muster und Regelmäßigkeiten in Daten automatisch zu erkennen. Diese Daten können alles Mögliche sein, von Texten, Bildern bis hin zu Tönen oder anderen definierbaren Eigenschaften.
Aktives Lernen ist ein Sonderfall des maschinellen Lernens, bei dem der Lernalgorithmus den Benutzer (oder eine andere Informationsquelle) interaktiv abfragen kann, um neue Datenpunkte mit der gewünschten Ausgabe zu kennzeichnen.
Bei Predictive Analytics handelt es sich um den Prozess der Datenanalyse, des maschinellen Lernens, der künstlichen Intelligenz und statistischer Modelle, um Muster zu finden, die zukünftiges Verhalten vorhersagen können.
Unter Sentimentanalyse, auch als Opinion Mining bekannt, versteht man die Verwendung natürlicher Sprachverarbeitung, Text Mining und Computerlinguistik, um subjektive Informationen aus Originalmaterialien zu identifizieren und zu extrahieren.
Reciprocal Rank Fusion (RRF) ist ein Algorithmus, der die Suchergebnisse mehrerer zuvor bewerteter Ergebnisse auswertet, um einen einheitlichen Ergebnissatz zu erstellen.
Beim Grid-Computing werden alle ungenutzten Ressourcen mehrerer Computer gebündelt und zur Ausführung einer einzigen Aufgabe verwendet. Organisationen nutzen Grid-Computing, um große Aufgaben auszuführen oder komplexe Probleme zu lösen, die für einen einzelnen Computer schwierig zu bewältigen sind.
Backward Chaining ist eine Schlussfolgerungsmethode, die häufig in Expertensystemen und Regelmaschinen im Bereich der künstlichen Intelligenz verwendet wird.
Forward Chaining ist eine Methode der Argumentation, mit der auf der Grundlage bekannter Fakten schrittweise Schlussfolgerungen abgeleitet werden. In einem regelbasierten Schlussfolgerungssystem geht es von einer bekannten Ausgangstatsache oder Regel aus und leitet schrittweise neue Schlussfolgerungen ab, indem es den bedingten Teil der Regel abgleicht und basierend auf den Abgleichergebnissen entsprechende Operationen durchführt.
Das KI-Framework stellt das Rückgrat der KI dar und bietet die Infrastruktur für die Entwicklung und Bereitstellung von KI-Modellen.
Autonome KI bezieht sich auf künstliche Intelligenzsysteme, die Aufgaben ohne menschliches Eingreifen ausführen können.
Ein Begrenzungsrahmen, auch Begrenzungsvolumen oder Begrenzungsbereich genannt, ist ein rechteckiger Rahmen, der zur Beschreibung der Position und Reichweite eines Objekts in einem Bild verwendet wird.
RAG ist eine Technik, die aus externen Quellen gewonnene Fakten nutzt, um die Genauigkeit und Zuverlässigkeit generativer KI-Modelle zu verbessern. Es optimiert die Ausgabe großer Sprachmodelle, um vor der Generierung einer Antwort auf maßgebliche Wissensbasen außerhalb der Trainingsdatenquelle zu verweisen.
In der Informatik ist verteiltes Rechnen eine Methode, bei der mehrere Computer zusammenarbeiten, um ein gemeinsames Problem zu lösen.
Neural Radiance Fields (NeRF) ist ein neuronales Netzwerk, das komplexe 3D-Szenen aus partiellen 2D-Bildsätzen rekonstruieren kann.
Der Raspberry Pi ist ein kleiner Computer in Kreditkartengröße, der in Verbindung mit jedem beliebigen Eingabe- und Ausgabe-Hardwaregerät verwendet werden kann.
Ein wesentlicher Vorteil von Expertenmischungsmodellen (MoE) besteht darin, dass sie mit weitaus weniger Rechenressourcen effektiv vortrainiert werden können als dichte Modelle. Dies bedeutet, dass die Größe eines Modells oder Datensatzes bei gleichem Rechenbudget erheblich gesteigert werden kann.
Datenerweiterung ist eine der häufig verwendeten Techniken beim Deep Learning. Dabei werden kleine Änderungen am Datensatz vorgenommen oder mithilfe von Deep Learning neue Datenpunkte generiert.
Autoregressive Modelle sind eine Klasse von Modellen des maschinellen Lernens (ML), die automatisch die nächste Komponente in einer Sequenz vorhersagen, indem sie vorherige Eingaben in der Sequenz messen.
Das Transformer-Modell ist ein Deep-Learning-Modell, das einen Self-Attention-Mechanismus verwendet, der verschiedenen Teilen der Eingabedaten je nach ihrer Wichtigkeit unterschiedliche Gewichtungen zuweisen kann. Dieses Modell wird hauptsächlich in den Bereichen Natural Language Processing (NLP) und Computer Vision (CV) verwendet.
TensorFlow ist eine Open-Source-Softwarebibliothek für maschinelles Lernen für verschiedene Wahrnehmungs- und Sprachverständnisaufgaben. Es wird derzeit häufig in Forschung und Produktion verwendet, beispielsweise in kommerziellen Google-Produkten wie Spracherkennung, Gmail, Google Fotos und der Suche.
Ein Belohnungsmodell ist eine Methode der künstlichen Intelligenz (KI), bei der ein Modell für seine Antwort auf eine gegebene Eingabeaufforderung eine Belohnung oder Punktzahl erhält.
Adversarial Cues sind ein wichtiges Thema im Cue Engineering, da sie zum Verständnis der mit LLMs verbundenen Risiken und Sicherheitsprobleme beitragen können.
Music Information Retrieval (MIR) ist ein interdisziplinäres Feld, das sich mit der Extraktion von Informationen aus Musik und deren Analyse beschäftigt und darauf abzielt, die Prozesse, Systeme und Wissensrepräsentationen zu untersuchen, die zum Abrufen von Informationen aus Musik erforderlich sind.
Reinforcement Learning mit KI-Feedback (RLAIF) ist ein hybrider Lernansatz, der es dem lernenden Agenten ermöglicht, sein Verhalten nicht nur auf der Grundlage von Belohnungen aus der Umgebung, sondern auch auf der Grundlage von Erkenntnissen aus anderen KI-Systemen zu verfeinern und so den Lernprozess zu bereichern.
Bei der Mustererkennung werden Algorithmen des maschinellen Lernens verwendet, um Muster und Regelmäßigkeiten in Daten automatisch zu erkennen. Diese Daten können alles Mögliche sein, von Texten, Bildern bis hin zu Tönen oder anderen definierbaren Eigenschaften.
Aktives Lernen ist ein Sonderfall des maschinellen Lernens, bei dem der Lernalgorithmus den Benutzer (oder eine andere Informationsquelle) interaktiv abfragen kann, um neue Datenpunkte mit der gewünschten Ausgabe zu kennzeichnen.
Bei Predictive Analytics handelt es sich um den Prozess der Datenanalyse, des maschinellen Lernens, der künstlichen Intelligenz und statistischer Modelle, um Muster zu finden, die zukünftiges Verhalten vorhersagen können.
Unter Sentimentanalyse, auch als Opinion Mining bekannt, versteht man die Verwendung natürlicher Sprachverarbeitung, Text Mining und Computerlinguistik, um subjektive Informationen aus Originalmaterialien zu identifizieren und zu extrahieren.
Reciprocal Rank Fusion (RRF) ist ein Algorithmus, der die Suchergebnisse mehrerer zuvor bewerteter Ergebnisse auswertet, um einen einheitlichen Ergebnissatz zu erstellen.
Beim Grid-Computing werden alle ungenutzten Ressourcen mehrerer Computer gebündelt und zur Ausführung einer einzigen Aufgabe verwendet. Organisationen nutzen Grid-Computing, um große Aufgaben auszuführen oder komplexe Probleme zu lösen, die für einen einzelnen Computer schwierig zu bewältigen sind.
Backward Chaining ist eine Schlussfolgerungsmethode, die häufig in Expertensystemen und Regelmaschinen im Bereich der künstlichen Intelligenz verwendet wird.
Forward Chaining ist eine Methode der Argumentation, mit der auf der Grundlage bekannter Fakten schrittweise Schlussfolgerungen abgeleitet werden. In einem regelbasierten Schlussfolgerungssystem geht es von einer bekannten Ausgangstatsache oder Regel aus und leitet schrittweise neue Schlussfolgerungen ab, indem es den bedingten Teil der Regel abgleicht und basierend auf den Abgleichergebnissen entsprechende Operationen durchführt.
Das KI-Framework stellt das Rückgrat der KI dar und bietet die Infrastruktur für die Entwicklung und Bereitstellung von KI-Modellen.
Autonome KI bezieht sich auf künstliche Intelligenzsysteme, die Aufgaben ohne menschliches Eingreifen ausführen können.
Ein Begrenzungsrahmen, auch Begrenzungsvolumen oder Begrenzungsbereich genannt, ist ein rechteckiger Rahmen, der zur Beschreibung der Position und Reichweite eines Objekts in einem Bild verwendet wird.
RAG ist eine Technik, die aus externen Quellen gewonnene Fakten nutzt, um die Genauigkeit und Zuverlässigkeit generativer KI-Modelle zu verbessern. Es optimiert die Ausgabe großer Sprachmodelle, um vor der Generierung einer Antwort auf maßgebliche Wissensbasen außerhalb der Trainingsdatenquelle zu verweisen.
In der Informatik ist verteiltes Rechnen eine Methode, bei der mehrere Computer zusammenarbeiten, um ein gemeinsames Problem zu lösen.
Neural Radiance Fields (NeRF) ist ein neuronales Netzwerk, das komplexe 3D-Szenen aus partiellen 2D-Bildsätzen rekonstruieren kann.
Der Raspberry Pi ist ein kleiner Computer in Kreditkartengröße, der in Verbindung mit jedem beliebigen Eingabe- und Ausgabe-Hardwaregerät verwendet werden kann.
Ein wesentlicher Vorteil von Expertenmischungsmodellen (MoE) besteht darin, dass sie mit weitaus weniger Rechenressourcen effektiv vortrainiert werden können als dichte Modelle. Dies bedeutet, dass die Größe eines Modells oder Datensatzes bei gleichem Rechenbudget erheblich gesteigert werden kann.
Datenerweiterung ist eine der häufig verwendeten Techniken beim Deep Learning. Dabei werden kleine Änderungen am Datensatz vorgenommen oder mithilfe von Deep Learning neue Datenpunkte generiert.
Autoregressive Modelle sind eine Klasse von Modellen des maschinellen Lernens (ML), die automatisch die nächste Komponente in einer Sequenz vorhersagen, indem sie vorherige Eingaben in der Sequenz messen.
Das Transformer-Modell ist ein Deep-Learning-Modell, das einen Self-Attention-Mechanismus verwendet, der verschiedenen Teilen der Eingabedaten je nach ihrer Wichtigkeit unterschiedliche Gewichtungen zuweisen kann. Dieses Modell wird hauptsächlich in den Bereichen Natural Language Processing (NLP) und Computer Vision (CV) verwendet.
TensorFlow ist eine Open-Source-Softwarebibliothek für maschinelles Lernen für verschiedene Wahrnehmungs- und Sprachverständnisaufgaben. Es wird derzeit häufig in Forschung und Produktion verwendet, beispielsweise in kommerziellen Google-Produkten wie Spracherkennung, Gmail, Google Fotos und der Suche.
Ein Belohnungsmodell ist eine Methode der künstlichen Intelligenz (KI), bei der ein Modell für seine Antwort auf eine gegebene Eingabeaufforderung eine Belohnung oder Punktzahl erhält.
Adversarial Cues sind ein wichtiges Thema im Cue Engineering, da sie zum Verständnis der mit LLMs verbundenen Risiken und Sicherheitsprobleme beitragen können.