KI Lexikon - Begriffe aus dem Bereich Künstliche Intelligenz
Hier findest du ein KI Lexikon mit wichtigen Begriffen und Erklärungen aus dem Bereich Künstliche Intelligenz.
A
A/B Testing:
A/B-Testing ist eine Methode der statistischen Analyse, die verwendet wird, um herauszufinden, welche Version einer Webseite, eines Produkts oder einer Marketingkampagne besser funktioniert. Es ist eine experimentelle Technik, die die Wirkung von zwei verschiedenen Versionen (A und B) eines Elements auf eine Zielgruppe vergleicht, um herauszufinden, welche Version besser abschneidet.
Abschreibung (engl. depreciation):
In der KI beschreibt Abschreibung den Prozess, bei dem ein Modell schrittweise an neue Daten angepasst wird, um seine Genauigkeit im Laufe der Zeit zu verbessern. Es handelt sich um einen wichtigen Bestandteil von Machine-Learning-Systemen.
Activation Functions (Aktivierungsfunktionen):
Activation Functions sind eine grundlegende Komponente von künstlichen neuronalen Netzen, die in der künstlichen Intelligenz (KI) eingesetzt werden. In einfachen Worten ist die Aktivierungsfunktion die mathematische Funktion, die die Aktivierung eines Neurons im neuronalen Netzwerk bestimmt.
Active Learning (Aktives Lernen):
Active Learning ist eine Methode des maschinellen Lernens, bei der das System aktiv nach zusätzlichen Daten fragt, um seine Genauigkeit und Leistung zu verbessern. Im Gegensatz zum traditionellen maschinellen Lernen, bei dem das System nur auf bereits vorhandene Daten trainiert wird, ermöglicht Active Learning es dem System, gezielt die relevanten Daten auszuwählen und zu sammeln, um seine Fähigkeit zur Vorhersage und Klassifikation zu verbessern.
Adversarial Training:
Adversarial Training bezieht sich auf eine Technik des Machine-Learning, bei der ein Modell trainiert wird, um auf Angriffe durch feindliche Beispiele oder „Adversarial Examples“ zu reagieren. Dadurch soll das Modell widerstandsfähiger gegen Angriffe gemacht werden.
Agent:
Ein Agent ist ein Computerprogramm, das in einer Umgebung agiert und auf der Grundlage von Eingaben Entscheidungen trifft. KI-Agenten können so konzipiert sein, dass sie bestimmte Aufgaben wie zum Beispiel Spracherkennung oder automatische Übersetzung ausführen.
Algorithmus:
Ein Algorithmus ist eine Folge von Anweisungen, die dazu dienen, eine bestimmte Aufgabe auszuführen. In der KI werden Algorithmen verwendet, um bestimmte Probleme zu lösen oder Muster in Daten zu identifizieren.
Anomalieerkennung:
Die Identifikation von Abweichungen oder Ausreißern in Daten. Anomalieerkennung wird häufig in der Überwachung von Systemen eingesetzt, um potenzielle Probleme frühzeitig zu erkennen.
Area Under the Curve (AUC):
Area Under the Curve ist eine Metrik, die in der künstlichen Intelligenz (KI) und insbesondere im Bereich des maschinellen Lernens verwendet wird, um die Leistung eines Modells zur binären Klassifikation zu bewerten. Die AUC-Metrik bewertet, wie gut das Modell in der Lage ist, zwischen positiven und negativen Fällen zu unterscheiden, indem sie die Fläche unter der ROC-Kurve (Receiver Operating Characteristic) misst.
Artificial General Intelligence (AGI):
Artificial General Intelligence (AGI) bezieht sich auf ein hypothetisches KI-System, das in der Lage ist, eine Vielzahl von Aufgaben auszuführen, ähnlich wie ein menschliches Gehirn. Es ist noch nicht erreicht worden.
Artificial Intelligence (AI):
Artificial Intelligence (AI) ist der englische Begriff für Künstliche Intelligenz (KI). Künstliche Intelligenz bezieht sich auf die Fähigkeit von Maschinen, menschenähnliche Aufgaben auszuführen, wie zum Beispiel Spracherkennung, automatische Übersetzung, Lernen und Problemlösung.
Artificial Neural Network (ANN):
Ein Netzwerk von künstlichen Neuronen, die miteinander verbunden sind und in der Lage sind, Muster in Daten zu erkennen. ANN werden häufig zur Bilderkennung, Spracherkennung und für andere Aufgaben eingesetzt, bei denen es darum geht, Muster in großen Datensätzen zu erkennen.
Aufsichtsbehaftetes Lernen:
Eine Art von automatisiertem Lernen, bei dem ein Algorithmus aus einer Menge von gelabelten Daten lernt. Der Algorithmus lernt, indem er die Beziehung zwischen den Eingabedaten und den dazugehörigen Labels analysiert.
Augmented Reality (AR):
Die Integration von digitalen Informationen in die reale Welt. AR wird oft verwendet, um virtuelle Objekte in eine Umgebung einzufügen, um Benutzern eine erweiterte Sicht auf ihre Umgebung zu ermöglichen.
Automatisiertes Lernen:
Der Prozess, bei dem ein Computer oder eine Maschine aus Daten lernt, anstatt programmiert zu werden. Automatisiertes Lernen ist ein wichtiger Bestandteil von künstlicher Intelligenz und Machine Learning.
Autoencoder:
Ein neuronales Netzwerk, das verwendet wird, um Datenkompression und -reduktion durchzuführen. Autoencoder haben in der Bildverarbeitung und bei der Datenkompression Anwendung gefunden.
B
Backpropagation / Fehlerrückführung:
Backpropagation ist ein Algorithmus zur Fehlerminimierung in neuronalen Netzen. Er wird verwendet, um die Gewichte des Netzes anzupassen, um die Fehler bei der Vorhersage von Ausgabewerten zu minimieren.
Batch:
In der künstlichen Intelligenz und im maschinellen Lernen bezieht sich der Begriff „Batch“ auf eine Gruppe von Trainingsdaten, die zusammen in einem Schritt zur Aktualisierung der Gewichte in einem neuronalen Netzwerk verwendet werden. Ein Batch ist somit eine Teilmenge des gesamten Trainingsdatensatzes, der für das Training des Modells verwendet wird.
Bayesian Networks:
Bayesian Networks oder Bayes’sche Netze sind probabilistische Graphen, die verwendet werden, um statistische Abhängigkeiten zwischen verschiedenen Ereignissen darzustellen.
Bias:
Bias im Zusammenhang mit Künstlicher Intelligenz (KI) bezieht sich auf unerwünschte Verzerrungen in den Ergebnissen oder Entscheidungen, die durch die Anwendung von KI-Systemen entstehen können. Diese Verzerrungen können aufgrund von Vorurteilen und ungleicher Behandlung von Personen oder Gruppen auftreten, die in den Daten vorhanden sind, auf denen das KI-System trainiert wurde.
Big Data:
Big Data bezieht sich auf große Datensätze, die zu groß, zu schnell oder zu komplex sind, um von traditionellen Datenverarbeitungstechniken verarbeitet zu werden. KI-Systeme werden oft eingesetzt, um Big Data zu analysieren und Muster zu erkennen.
Bioinformatics:
Bioinformatik bezieht sich auf die Anwendung von KI-Methoden und Technologien in der Biologie, insbesondere in der Genomik, Proteomik und anderen Bereichen der Life Sciences.
Black Box:
Eine Black Box bezieht sich auf ein System oder einen Algorithmus, dessen interne Funktionsweise oder Struktur nicht transparent ist. Dies kann ein Problem darstellen, da es schwierig sein kann, zu verstehen, wie Entscheidungen getroffen werden oder wie das System verbessert werden kann.
Boltzmann Machine:
Eine Boltzmann-Maschine ist ein spezieller Typ neuronaler Netze, der auf der statistischen Mechanik basiert. Es wird verwendet, um komplexe Datenstrukturen zu modellieren und Muster zu erkennen.
Boosting:
Boosting ist ein Verfahren des maschinellen Lernens, das verwendet wird, um die Leistung von KI-Modellen zu verbessern. Beim Boosting wird eine Gruppe von schwachen Lernern (d.h. Lernern, die nur geringe Vorhersagefähigkeiten haben) verwendet, um eine starke Vorhersagefähigkeit zu erreichen.
C
Chatbot:
Ein Chatbot ist ein Computerprogramm, das menschenähnliche Konversationen mit Benutzern führen kann. Chatbots werden oft in Kundensupport- oder Marketinganwendungen eingesetzt.
Classification:
Classification (dt. Klassifikation) ist eine der grundlegenden Aufgaben im Bereich der Künstlichen Intelligenz. Es handelt sich dabei um eine Methode des maschinellen Lernens, bei der ein Modell darauf trainiert wird, Daten in bestimmte Klassen oder Kategorien zu sortieren.
Cluster Analysis / Clustering:
Cluster-Analyse bezieht sich auf eine Gruppe von Techniken, die verwendet werden, um Daten in Gruppen oder Cluster zu segmentieren. Diese Techniken können verwendet werden, um Muster in den Daten zu erkennen und Prognosen zu treffen.
Cognitive Computing:
Cognitive Computing bezieht sich auf Systeme, die menschenähnliche Intelligenz und Denkfähigkeit aufweisen. Dies kann beinhalten, dass das System natürliche Sprache versteht, Entscheidungen trifft oder Muster erkennt.
Collaborative Filtering:
Collaborative Filtering (dt. kollaboratives Filtern) ist ein Verfahren des maschinellen Lernens, das in der Künstlichen Intelligenz (KI) verwendet wird, um personalisierte Empfehlungen zu generieren. Es basiert auf der Idee, dass Personen mit ähnlichem Geschmack ähnliche Entscheidungen treffen und dass diese Ähnlichkeiten zur Vorhersage von Präferenzen genutzt werden können.
Computer Vision:
Computer Vision bezieht sich auf die Fähigkeit von Computern, visuelle Informationen zu interpretieren und zu verstehen. Dies umfasst Aufgaben wie Bilderkennung, Objekterkennung und Gesichtserkennung.
Convolutional Neural Networks (CNN):
Convolutional Neural Networks oder Faltungsnetzwerke sind eine Art von neuronalem Netzwerk, die oft in der Bild- und Spracherkennung eingesetzt werden. Sie verwenden spezielle Filter, um Merkmale in den Daten zu extrahieren.
Cross-Validation:
Ein Verfahren in der maschinellen Lernens, bei dem ein Datensatz in mehrere Teile aufgeteilt wird, um das Modell auf verschiedenen Kombinationen von Trainings- und Testdaten zu testen.
Curiosity-Driven Learning:
Eine Art von maschinellem Lernen, bei der der Algorithmus darauf abzielt, neue und unerwartete Informationen zu entdecken, anstatt sich auf vordefinierte Ziele zu beschränken.
D
Deep Learning:
Eine Art von maschinellem Lernen, bei der neuronale Netze mit vielen Schichten verwendet werden, um komplexe Probleme zu lösen, wie zum Beispiel Bild- und Spracherkennung.
Decision Tree:
Ein Entscheidungsbaum ist ein Algorithmus im maschinellen Lernen, der auf einem Baumdiagramm basiert und Entscheidungen trifft, indem er sich durch verschiedene Entscheidungsknoten navigiert.
Data Mining:
Ein Prozess der Extraktion von Wissen und Mustern aus großen Datenmengen. Data Mining-Algorithmen werden häufig in der Wirtschaft, Marketing und anderen Bereichen eingesetzt.
Digitaler Zwilling:
Ein digitales Abbild eines physischen Objekts oder Prozesses. Durch die Nutzung von Sensordaten und anderen Informationen können digitale Zwillinge verwendet werden, um Vorhersagen und Optimierungen in Echtzeit durchzuführen.
Dempster-Shafer-Theorie:
Eine alternative Methode zur Wahrscheinlichkeitstheorie, die es ermöglicht, mit unsicheren oder unvollständigen Informationen zu arbeiten.
Dynamic Programming:
Eine Methode zur Lösung von Optimierungsproblemen, die auf der Idee beruht, dass eine optimale Lösung aus optimalen Lösungen von Teilproblemen zusammengesetzt werden kann.
Deep Reinforcement Learning:
Eine Art von maschinellem Lernen, bei der ein Agent lernt, wie er in einer bestimmten Umgebung bestimmte Aktionen ausführen muss, um eine Belohnung zu erhalten. Deep Reinforcement Learning hat Anwendungen in der Robotik, der Spielentwicklung und anderen Bereichen.
E
Edge Computing:
Ein Konzept in der Informatik, bei dem die Verarbeitung und Analyse von Daten direkt am Rand (Edge) des Netzwerks stattfindet, anstatt in der Cloud oder einem entfernten Server. Edge Computing ermöglicht Echtzeit-Entscheidungen und reduziert die Latenzzeiten.
Embedding:
Eine Technik im maschinellen Lernen, bei der Datenpunkte in einen Vektorraum projiziert werden, um Ähnlichkeiten zwischen den Datenpunkten zu erfassen. Embeddings werden häufig in der Textverarbeitung und der Bilderkennung eingesetzt.
Emotionserkennung:
Ein Bereich der künstlichen Intelligenz, der sich auf die Fähigkeit von Maschinen konzentriert, menschliche Emotionen zu erkennen und zu interpretieren. Emotionserkennung findet Anwendung in der Gesundheitsversorgung, der Robotik und anderen Bereichen.
Ensemble Learning:
Eine Technik im maschinellen Lernen, bei der mehrere Modelle zusammengefasst werden, um bessere Vorhersagen zu treffen. Ensemble-Learning-Algorithmen umfassen Bagging, Boosting und Stacking.
Evolutionärer Algorithmus:
Ein Algorithmus, der von der natürlichen Selektion in der Evolution inspiriert ist. Evolutionäre Algorithmen werden verwendet, um optimale Lösungen für komplexe Probleme zu finden, wie zum Beispiel in der Ingenieurswissenschaft oder im Finanzwesen.
Expertensystem:
Ein computergestütztes System, das auf Wissen und Regeln von Experten in einem bestimmten Bereich basiert. Expertensysteme werden häufig in der Medizin, im Finanzwesen und anderen Bereichen eingesetzt.
Explainable AI (XAI):
Eine Art von künstlicher Intelligenz, bei der das Modell so konzipiert ist, dass es erklären kann, wie es zu seinen Entscheidungen kommt. Dies ist besonders wichtig für Anwendungen, die sensible Entscheidungen treffen, wie zum Beispiel in der Medizin oder im Rechtswesen.
F
False Positive:
In Bezug auf künstliche Intelligenz bezieht sich der Begriff „False Positive“ auf einen Fehler, bei dem das KI-Modell irrtümlicherweise eine positive Vorhersage macht, obwohl die tatsächliche Antwort negativ ist.
False Negative:
Im Zusammenhang mit künstlicher Intelligenz (KI) bezieht sich der Begriff „False Negative“ auf einen Fehler, bei dem das KI-Modell irrtümlicherweise eine negative Vorhersage macht, obwohl die tatsächliche Antwort positiv ist.
Fault Detection and Diagnosis (FDD):
Eine Technik, die verwendet wird, um Fehler und Probleme in Maschinen oder Systemen zu erkennen und zu diagnostizieren, indem Muster in Sensordaten analysiert werden. FDD wird häufig in der Wartung und Fehlerbehebung von Industrieanlagen eingesetzt.
Feature Engineering:
Ein Prozess im maschinellen Lernen, bei dem relevante Merkmale (Features) aus den Rohdaten extrahiert werden, um die Leistung von Machine-Learning-Modellen zu verbessern.
Federated Learning:
Eine Technik im maschinellen Lernen, bei der mehrere dezentralisierte Geräte Daten sammeln und Modelle trainieren, ohne dass die Daten zentralisiert werden müssen. Federated Learning ist besonders nützlich für Anwendungen mit privaten oder sensiblen Daten.
Feedforward Neural Network:
Eine Art von künstlichem neuronalen Netzwerk, bei dem die Daten nur in eine Richtung fließen, von der Eingabe- zur Ausgabeschicht. Feedforward-Netzwerke werden häufig in der Bild- und Spracherkennung eingesetzt.
Forward Kinematics:
Eine Methode in der Robotik, die verwendet wird, um die Position und Orientierung eines Roboterarms auf Basis der Winkel der Gelenke zu berechnen. Forward Kinematics ist ein wichtiger Schritt in der Wegplanung und Steuerung von Robotern.
Function Approximation:
Eine Methode im maschinellen Lernen, bei der eine mathematische Funktion verwendet wird, um Datenpunkte oder Zusammenhänge zwischen den Datenpunkten zu approximieren. Function Approximation wird häufig in der Vorhersage und Schätzungsproblemen eingesetzt.
Fuzzy Logic:
Eine logische Methode, die auf unklaren oder unscharfen Informationen basiert. Fuzzy Logic wird häufig in der Steuerung von Maschinen und Systemen eingesetzt, die mit unsicheren Informationen arbeiten.
G
Gaussian Process:
Ein statistisches Modell, das verwendet wird, um Vorhersagen basierend auf Beobachtungen von Datenpunkten zu machen. Gaussian Processes werden häufig in der maschinellen Lerntheorie und der Robotik eingesetzt.
General Artificial Intelligence (GAI):
Ein hypothetisches Konzept von Künstlicher Intelligenz, das in der Lage wäre, jegliche kognitive Aufgabe zu bewältigen, die auch ein Mensch bewältigen kann. GAI würde in der Lage sein, verschiedene Arten von Problemen zu lösen, von der mathematischen Modellierung bis hin zur emotionalen Intelligenz.
Generative Adversarial Networks (GANs):
Ein Typ von neuronalem Netzwerk, bei dem ein Generator-Netzwerk trainiert wird, um Daten zu erzeugen, die nicht von realen Daten zu unterscheiden sind. GANs können zur Erzeugung von Bildern, Texten und Musik verwendet werden.
Genetic Algorithm / Genetischer Algorithmus:
Ein Optimierungsalgorithmus, der biologische Prozesse wie Mutation und natürliche Selektion imitiert, um optimale Lösungen für Probleme zu finden. Genetic Algorithms werden häufig in der Optimierung von Machine-Learning-Modellen und der Planung von Robotern eingesetzt.
Genetic Programming:
Eine Technik, bei der Algorithmen automatisch generiert werden, indem sie aus einer Reihe von Funktionen und Operationen auswählen, die durch Evolution und Mutation optimiert werden. Genetic Programming wird häufig zur Automatisierung von Aufgaben wie der Entwurfs- und Optimierung von Schaltkreisen eingesetzt.
Goal-Based Agent:
Ein intelligentes System, das darauf ausgelegt ist, bestimmte Ziele zu erreichen. Goal-Based Agents sind häufig in der Robotik und autonomer Navigation zu finden.
Gradient Descent:
Ein Optimierungsalgorithmus, der verwendet wird, um den Fehler in Machine-Learning-Modellen zu minimieren, indem er iterativ die Gewichte der Modelle anpasst. Gradient Descent ist ein wichtiger Bestandteil von Deep Learning.
GUI (Graphical User Interface):
Eine Benutzeroberfläche, die auf visuellen Elementen wie Symbolen, Schaltflächen und Fenstern basiert. GUIs werden häufig in Anwendungen zur Verwaltung von Daten und zur Interaktion mit KI-Systemen verwendet.
GPU (Graphics Processing Unit):
Eine spezielle Art von Computerprozessor, die hauptsächlich für die Verarbeitung von Grafikdaten entwickelt wurde. GPUs können jedoch auch verwendet werden, um parallele Berechnungen im maschinellen Lernen zu beschleunigen, da sie in der Lage sind, viele Berechnungen gleichzeitig auszuführen.
H
Hardware-beschleunigte KI:
Eine Methode der KI-Berechnung, die spezielle Hardware (z.B. GPUs, TPUs oder ASICs) verwendet, um die Geschwindigkeit und Effizienz von Berechnungen zu erhöhen. Hardware-beschleunigte KI kann bei der Verarbeitung von großen Datenmengen und der Durchführung von komplexen Modellberechnungen sehr nützlich sein.
Heuristik:
Eine heuristische Methode ist eine problemorientierte Strategie, um schnell zu einer Lösung zu gelangen. Heuristiken sind oft nützlich, wenn ein Problem komplex ist und es keine offensichtliche Lösung gibt. Heuristiken können in der Künstlichen Intelligenz verwendet werden, um Probleme wie Planung und Optimierung zu lösen.
Hierarchische KI-Systeme:
Hierarchische KI-Systeme sind Systeme, die aus mehreren Schichten oder Ebenen von KI-Modellen bestehen. Die Modelle in jeder Ebene verarbeiten Informationen auf unterschiedlichen Abstraktionsniveaus und dienen dazu, komplexe Probleme zu lösen.
Hierarchisches Reinforcement-Lernen:
Ein Ansatz des maschinellen Lernens, bei dem Entscheidungsprozesse in einer Hierarchie von Ebenen organisiert werden. Das Modell lernt, wie es Entscheidungen auf jeder Ebene treffen soll, um ein Endziel zu erreichen, anstatt sich auf die Optimierung von Handlungen auf jeder Ebene unabhängig voneinander zu konzentrieren.
HMM (Hidden Markov Model):
Ein probabilistisches Modell, das in der Sprachverarbeitung, der Mustererkennung und der Klassifikation verwendet wird. HMMs werden verwendet, um zu bestimmen, welches Muster von Eingaben am wahrscheinlichsten zu einem bestimmten Zustand führt.
Human-in-the-Loop:
Human-in-the-Loop (HITL) bezieht sich auf eine Art von Mensch-Maschine-Interaktion, bei der menschliche Experten in die Entscheidungsfindung eines KI-Systems einbezogen werden. HITL-Ansätze werden in verschiedenen Anwendungen von künstlicher Intelligenz (KI) eingesetzt, insbesondere in der Bilderkennung, der Sprachverarbeitung und der Datenanalyse.
Hyperparameter:
Hyperparameter sind Parameter, die nicht automatisch durch das maschinelle Lernen angepasst werden, sondern vom Benutzer festgelegt werden müssen. Hyperparameter können die Leistung von Machine-Learning-Modellen beeinflussen, wie z.B. die Lernrate oder die Anzahl der Schichten in einem neuronalen Netzwerk.
Hypothese:
Eine Vermutung oder Annahme darüber, wie ein System oder ein Prozess funktioniert. In der Künstlichen Intelligenz bezieht sich Hypothese auf eine Annahme über das Verhalten von Daten oder Modellen, die überprüft werden kann, um deren Genauigkeit zu bestätigen oder zu widerlegen.
Hypothetisches Deduktives Denken:
Eine Methode des Denkens, die in der Künstlichen Intelligenz und der kognitiven Wissenschaft verwendet wird, um die Fähigkeit von Systemen zu modellieren, Schlussfolgerungen aus Hypothesen zu ziehen. Diese Methode des Denkens ist ein wichtiger Bestandteil vieler intelligenten Systeme, insbesondere solcher, die Entscheidungen treffen müssen.
I
Image Recognition:
Eine Technologie der Künstlichen Intelligenz, die es Computern ermöglicht, Bilder automatisch zu erkennen und zu identifizieren. Diese Technologie wird häufig in der Gesichtserkennung, der Objekterkennung und der Identifikation von Mustern eingesetzt.
Induktives Lernen:
Eine Methode des maschinellen Lernens, bei der Modelle aus Beispielen oder Erfahrungen erstellt werden. Das Modell lernt, indem es Muster in den Eingabedaten identifiziert und diese Muster auf neue Daten anwendet.
Inferenz:
In der Künstlichen Intelligenz bezieht sich Inferenz auf die Fähigkeit eines Modells, aufgrund von Eingabeinformationen Schlussfolgerungen zu ziehen und Vorhersagen zu treffen.
Intelligenz:
Eine Fähigkeit, die normalerweise mit dem menschlichen Geist assoziiert wird und die Fähigkeit umfasst, zu lernen, Probleme zu lösen, Entscheidungen zu treffen, Wissen zu verarbeiten und zu kommunizieren. In der Künstlichen Intelligenz bezieht sich Intelligenz auf die Fähigkeit von Maschinen, intelligente Aufgaben auszuführen.
Intentionserkennung:
Eine Technologie der Künstlichen Intelligenz, die die Absicht oder das Ziel einer Person anhand von Sprach- oder Verhaltenssignalen erkennt. Intentionserkennung wird in Chatbots, Personal Assistants und Robotik eingesetzt, um menschliche Interaktionen zu verbessern.
Inverse Kinematik:
Eine Technik in der Robotik, die es Robotern ermöglicht, eine gewünschte Position oder Bewegung zu erreichen, indem sie die erforderlichen Gelenkwinkel berechnet, um diese Position zu erreichen. Inverse Kinematik wird in der Robotik eingesetzt, um Bewegungen zu planen und auszuführen.
J
Java AI Development Environment (JAIDE):
Eine Open-Source-Entwicklungsumgebung für die Künstliche Intelligenz, die in Java geschrieben ist und es Entwicklern ermöglicht, KI-Anwendungen schnell und einfach zu erstellen und zu implementieren.
Jetson:
Eine Produktlinie von Einplatinencomputern, die von NVIDIA speziell für Anwendungen im Bereich Künstliche Intelligenz entwickelt wurden. Sie werden oft in der Robotik, autonomen Fahrzeugen und anderen Anwendungen eingesetzt, die eine hohe Rechenleistung erfordern.
Job Automation:
Ein Bereich der Künstlichen Intelligenz, der sich auf die Automatisierung von Arbeitsplätzen und -aufgaben konzentriert. Dies umfasst die Automatisierung von Prozessen, die zuvor von Menschen ausgeführt wurden, durch den Einsatz von Robotern und anderen automatisierten Systemen.
Joint Attention:
Ein Konzept aus der Psychologie und der Künstlichen Intelligenz, das sich auf die Fähigkeit bezieht, auf dasselbe Objekt oder dieselbe Situation zu achten und gemeinsam darauf zu reagieren. In der Robotik wird Joint Attention eingesetzt, um menschliche Interaktionen zu verbessern.
JSON:
Steht für „JavaScript Object Notation“ und ist ein leichtgewichtiges Datenformat, das oft in der Künstlichen Intelligenz und anderen Anwendungen verwendet wird, um Daten zwischen verschiedenen Systemen zu übertragen.
Jupyter Notebook:
Eine webbasierte interaktive Entwicklungsumgebung für Datenanalysen und maschinelles Lernen, die häufig von Data Scientists und Forschern in der Künstlichen Intelligenz eingesetzt wird. Es ermöglicht die Integration von Code, Text und Visualisierungen in einem Dokument.
K
KI-Modell:
Ein KI-Modell ist eine mathematische Darstellung eines Phänomens oder einer Aufgabe, die von einem KI-Algorithmus erlernt wird. Es wird durch Trainingsdaten erstellt und kann verwendet werden, um Vorhersagen oder Entscheidungen zu treffen.
Konvolutionales Neuronales Netzwerk ( Convolutional Neural Network / CNN):
Ein künstliches neuronales Netzwerk, das in der Bilderkennung und -verarbeitung eingesetzt wird. Es besteht aus mehreren Schichten von Filtern, die auf Bildern angewendet werden, um Merkmale zu extrahieren.
K-Nearest Neighbor Algorithmus (KNN):
Eine Methode des überwachten Lernens in der Künstlichen Intelligenz, die zur Klassifikation von Objekten verwendet wird. Der Algorithmus findet die nächsten Nachbarn zu einem gegebenen Objekt und ordnet ihm dann eine Klasse zu, basierend auf der Mehrheit der Klasse seiner Nachbarn.
Knowledge Graphs:
Eine Art von Datenstruktur in der Künstlichen Intelligenz, die Beziehungen zwischen verschiedenen Entitäten in einer Wissensdomäne darstellt. Knowledge Graphs werden oft verwendet, um die semantische Suche in großen Datenmengen zu unterstützen.
K-Means Clustering:
Eine gängige Methode des unüberwachten Lernens in der Künstlichen Intelligenz, die zur Gruppierung von Datenpunkten in ähnliche Cluster verwendet wird. Die Methode basiert auf der Berechnung des Mittelwerts der Datenpunkte innerhalb eines Clusters und der Anpassung der Clusterzentren, um die Abstände der Datenpunkte zu minimieren.
Komprimierte Erfassung (Compressed Sensing):
Ein Technik zur Signalverarbeitung in der Künstlichen Intelligenz, bei der ein Signal mit deutlich weniger Datenpunkten aufgenommen wird, als es normalerweise erfordert. Das Signal kann dann mit einem KI-Algorithmus rekonstruiert werden, um das Originalsignal zu approximieren.
Künstliche Intelligenz (KI):
Ein Oberbegriff, der sich auf eine Reihe von Technologien und Algorithmen bezieht, die es Maschinen ermöglichen, menschenähnliches Verhalten zu zeigen und zu lernen. KI-Anwendungen umfassen Bild- und Spracherkennung, Robotik, maschinelles Lernen, natürliche Sprachverarbeitung und vieles mehr.
Künstliche Neuronale Netzwerke:
Künstliche Neuronale Netzwerke sind ein wichtiger Bestandteil der Künstlichen Intelligenz. Sie sind Computernetzwerke, die aus miteinander verbundenen Neuronen bestehen und mit Algorithmen trainiert werden können, um Muster in Daten zu erkennen und Entscheidungen zu treffen.
L
Label:
Ein Label ist eine Zuordnung oder ein Tag, der einem Datenpunkt oder einer Instanz in einem Datensatz zugewiesen wird. In der KI werden Labels oft verwendet, um Trainingsdaten zu annotieren, um ein Modell zu trainieren, um Vorhersagen oder Entscheidungen zu treffen.
Layer:
In der künstlichen Intelligenz bezieht sich der Begriff „Layer“ auf eine Gruppe von Neuronen in einem künstlichen neuronalen Netzwerk (KNN), die in der Regel eine bestimmte Art von Berechnungen ausführen. Ein Layer besteht aus einer Gruppe von Neuronen, die alle dieselbe Aktivierungsfunktion und dasselbe Verhalten aufweisen.
Learning Analytics:
Learning Analytics ist ein Bereich der Künstlichen Intelligenz, der sich mit der Analyse von Daten befasst, die während des Lernprozesses generiert werden. Ziel ist es, bessere Einblicke in den Lernprozess zu erhalten und die Effektivität von Lehrmethoden und -materialien zu verbessern.
Learning-to-Learn:
Learning-to-Learn (L2L) oder Meta-Learning ist ein Ansatz in der künstlichen Intelligenz, bei dem ein Modell oder ein Algorithmus trainiert wird, um schnell und effektiv neue Aufgaben oder Probleme zu lösen, indem es die Fähigkeit erwirbt, aus Erfahrung zu lernen.
Lernalgorithmus:
Ein Lernalgorithmus ist ein Algorithmus, der es einer Maschine ermöglicht, aus Erfahrung zu lernen. Lernalgorithmen werden in der Künstlichen Intelligenz verwendet, um KI-Systeme zu trainieren, um bestimmte Aufgaben auszuführen.
Lernrate:
Die Lernrate ist ein Hyperparameter in vielen KI-Algorithmen, der bestimmt, wie schnell oder langsam ein Modell aus den Trainingsdaten lernt. Eine höhere Lernrate kann das Lernen beschleunigen, aber zu einer schlechteren Genauigkeit führen, während eine niedrigere Lernrate die Genauigkeit verbessern, aber das Lernen verlangsamen kann.
Lerntransfer:
Lerntransfer ist ein Konzept in der KI, bei dem Wissen oder Fähigkeiten, die in einer bestimmten Domäne erworben wurden, auf eine andere Domäne übertragen werden.
Lineare Algebra:
Lineare Algebra ist ein Teilgebiet der Mathematik, das sich mit Vektoren und Matrizen befasst. Es bildet die Grundlage vieler KI-Algorithmen, insbesondere der Neuronalen Netze, und ist unerlässlich für das Verständnis von KI-Modellen.
Logistische Regression:
Eine logistische Regression ist ein KI-Algorithmus, der häufig in der binären Klassifikation eingesetzt wird, um die Wahrscheinlichkeit eines Ereignisses oder einer Klasse vorherzusagen. Es basiert auf der logistischen Funktion und wird oft als Grundlage für komplexere Modelle verwendet.
Long Short-Term Memory (LSTM):
LSTM ist ein spezieller Typ von KI-Neuronalen Netzen, der besonders gut für die Verarbeitung von Sequenzen geeignet ist. LSTMs haben eine einzigartige Architektur, die es ihnen ermöglicht, Informationen über einen längeren Zeitraum zu speichern und aufzurufen, was sie ideal für Aufgaben wie Spracherkennung und maschinelles Übersetzen macht.
M
Machine Learning (ML) / Maschinelles Lernen:
Machine Learning ist ein Teilbereich der Künstlichen Intelligenz, der es Maschinen ermöglicht, aus Erfahrung zu lernen und Aufgaben auszuführen, für die sie nicht explizit programmiert wurden. Machine Learning Algorithmen werden in der Regel durch Trainingsdaten trainiert, um Vorhersagen oder Entscheidungen zu treffen.
Markov Chain / Markov Decision Process (MDP):
Ein mathematisches Modell, das die Wahrscheinlichkeit der zukünftigen Zustände eines Systems auf der Grundlage seiner gegenwärtigen Zustände und der Wahrscheinlichkeiten des Übergangs zwischen Zuständen vorhersagt.
Memory Networks:
Eine spezielle Form des Deep Learnings, bei der ein Modell aufgrund früherer Eingaben und Ergebnisse eine Art „Gedächtnis“ entwickelt, das es ihm ermöglicht, auf spätere Eingaben zu reagieren.
Meta-Learning:
Ein Ansatz, bei dem ein Modell darauf trainiert wird, wie es am besten lernen kann. Es geht also nicht nur um die Lösung eines spezifischen Problems, sondern um die Optimierung des Lernprozesses selbst.
Model-based Reinforcement Learning:
Ein Ansatz des Reinforcement Learning, bei dem das Modell des Agenten eine explizite Darstellung der Umwelt beinhaltet.
Monte Carlo:
Monte Carlo bezieht sich auf eine Klasse von Algorithmen und Methoden in der künstlichen Intelligenz (KI), die auf probabilistischen Modellen und Stichproben basieren. Der Name stammt von der Stadt Monte Carlo in Monaco, die für ihr berühmtes Kasino bekannt ist, in dem Glücksspiele auf der Grundlage von Wahrscheinlichkeiten und Zufallsereignissen stattfinden.
Motion Planning:
Ein Teilgebiet der Robotik, das sich mit der Planung von Bewegungen von Robotern befasst, um eine Aufgabe zu erfüllen. Dabei müssen Hindernisse und andere Einschränkungen berücksichtigt werden.
Multi-Agent System (MAS):
Systeme, in denen mehrere autonome Agenten zusammenarbeiten, um ein gemeinsames Ziel zu erreichen. Sie werden oft in der Robotik und der Spieltheorie eingesetzt.
Multi-Modal Learning:
Multi-Modal Learning ist ein Ansatz in der künstlichen Intelligenz (KI), der darauf abzielt, Informationen aus verschiedenen Modalitäten oder Arten von Daten zu integrieren, um die Leistung von KI-Systemen zu verbessern. Modalitäten können zum Beispiel visuelle, akustische und sprachliche Signale sein.
Multi-Task Learning:
Multi-Task Learning ist ein Ansatz in der künstlichen Intelligenz, bei dem ein Modell auf mehrere Aufgaben gleichzeitig trainiert wird. Das Modell teilt dabei bestimmte Merkmale und Gewichte zwischen den verschiedenen Aufgaben, um die Leistung auf jeder einzelnen Aufgabe zu verbessern.
N
Narrow AI:
Eine künstliche Intelligenz, die auf einen bestimmten Bereich oder eine bestimmte Aufgabe spezialisiert ist, im Gegensatz zu einer allgemeinen künstlichen Intelligenz.
Natural Computation:
Ein Bereich der künstlichen Intelligenz, der von der Natur inspiriert ist und sich auf Algorithmen und Modelle bezieht, die von biologischen Systemen abgeleitet sind.
Natural Language Generation (NLG):
Eine Form von künstlicher Intelligenz, bei der ein Computer Texte oder Sprache generiert, die wie von einem Menschen geschrieben oder gesprochen wirken.
Natural Language Processing (NLP):
Ein Bereich der KI, der es Computern ermöglicht, natürliche Sprache wie Menschen zu verstehen und zu generieren.
Natural Language Understanding (NLU):
Eine Methode der künstlichen Intelligenz, die es einem Computer ermöglicht, menschliche Sprache zu verstehen, zu interpretieren und auf sie zu reagieren.
Neural Network (NN) / Neuronales Netzwerk:
Ein Neuronales Netzwerk ist ein System von miteinander verbundenen Neuronen, die Informationen verarbeiten können. Neuronale Netzwerke werden in der Künstlichen Intelligenz verwendet, um komplexe Aufgaben wie Bilderkennung oder Sprachverarbeitung zu lösen.
Neural Style Transfer (NST):
Ein Verfahren des Deep Learnings, bei dem der Stil eines Kunstwerks auf ein anderes Bild übertragen wird.
Neural Turing Machine (NTM):
Ein Modell des künstlichen neuronalen Netzwerks, das es einem Computer ermöglicht, komplexe Probleme zu lösen, indem er auf ein externes Speichermedium zugreift, ähnlich wie ein Computerprogramm.
Neuroevolution:
Eine Methode der künstlichen Intelligenz, bei der künstliche neuronale Netze durch evolutionäre Prozesse wie Mutation und Selektion trainiert werden.
Neuron:
In der künstlichen Intelligenz (KI) wird ein Neuron als grundlegende Einheit in einem neuronalen Netzwerk bezeichnet. Es ist inspiriert von den biologischen Neuronen des menschlichen Gehirns und hat eine ähnliche Funktionsweise, jedoch in einem vereinfachten Modell.
Noisy Data:
Daten, die unvollständig oder ungenau sind, aufgrund von Fehlern in der Erfassung, Speicherung oder Übertragung.
Non-Parametric Models:
Ein statistisches Modell, das keine spezifischen Annahmen über die Verteilung der zugrunde liegenden Daten macht und somit flexibler und anpassungsfähiger ist.
Normalization:
Ein Prozess, bei dem Daten so skaliert werden, dass sie in einen bestimmten Bereich oder eine bestimmte Verteilung passen, um bessere Ergebnisse bei der Verarbeitung oder Analyse zu erzielen.
O
Object Detection / Objekterkennung:
Ein Prozess in der Bildverarbeitung, bei dem ein Computer Objekte in einem Bild erkennt und lokalisiert.
One-Shot Learning:
Ein Verfahren des maschinellen Lernens, bei dem ein Modell in der Lage ist, aus nur einem Beispiel zu lernen, im Gegensatz zu herkömmlichem maschinellem Lernen, bei dem mehrere Beispiele erforderlich sind.
OpenAI:
Ein gemeinnütziges Unternehmen, das sich auf die Entwicklung von künstlicher Intelligenz und deren Anwendung konzentriert.
OpenCV:
Eine Bibliothek mit Open-Source-Software, die Computer-Vision-Algorithmen enthält, die häufig zur Verarbeitung von Bildern und Videos verwendet werden.
Optimization:
Ein Prozess, bei dem ein Algorithmus oder ein Modell so angepasst wird, dass er ein bestimmtes Ziel oder eine bestimmte Funktion optimiert.
Ontology:
Eine formale Darstellung von Wissen, die es einem Computer ermöglicht, Beziehungen zwischen verschiedenen Konzepten und Entitäten zu verstehen.
Online Learning:
Eine Art von maschinellem Lernen, bei der ein Modell kontinuierlich aktualisiert und verbessert wird, während es mit neuen Daten gefüttert wird.
Oracle:
Ein Ideal in der künstlichen Intelligenz, bei dem ein Computer als perfekter Ratgeber oder Entscheidungsträger fungiert und jederzeit die richtigen Antworten und Lösungen liefert.
Outlier Detection / Ausreißer-Erkennung:
Eine Technik in der Datenanalyse, bei der ungewöhnliche oder abnormale Datenpunkte erkannt werden, die von der normalen Verteilung der Daten abweichen.
Overfitting:
Ein Problem im maschinellen Lernen, bei dem ein Modell zu stark auf die Trainingsdaten angepasst wird und daher nicht in der Lage ist, neue Daten gut zu generalisieren.
P
Pattern Recognition / Mustererkennung:
Ein Bereich der künstlichen Intelligenz, der sich damit befasst, Muster in Daten zu erkennen und zu interpretieren, um nützliche Informationen zu extrahieren.
Perceptron:
Ein einfaches künstliches neuronales Netzwerk, das in der Lage ist, lineare Entscheidungsgrenzen zwischen verschiedenen Klassen von Daten zu ziehen.
Preprocessing:
Die Anwendung von Techniken wie Normalisierung, Skalierung und Feature-Extraktion, um Rohdaten in eine Form zu bringen, die für maschinelles Lernen geeignet ist.
Principal Component Analysis (PCA) / Hauptkomponentenanalyse:
Eine Methode zur Reduzierung der Dimensionalität von Daten, die die wichtigsten Merkmale auswählt, um die Größe der Daten zu reduzieren, ohne dabei wichtige Informationen zu verlieren.
Predictive Analytics / Prädiktive Analytik:
Ein Zweig der Datenanalyse, der sich auf die Verwendung von historischen Daten und statistischen Modellen konzentriert, um zukünftige Ereignisse oder Trends vorherzusagen.
Probabilistic Graphical Models / Probabilistische Graphische Modelle:
Eine Klasse von Modellen, die die Beziehungen zwischen Variablen in einem System mithilfe von Graphen und Wahrscheinlichkeiten modellieren, um Vorhersagen oder Entscheidungen zu treffen.
Probabilistic Reasoning:
Eine Art von künstlicher Intelligenz, die sich damit befasst, Unsicherheit und Wahrscheinlichkeit in Entscheidungsprozesse einzubeziehen, um bessere Entscheidungen zu treffen
Production System:
Ein Modell der künstlichen Intelligenz, das Regeln oder Bedingungen enthält, um Entscheidungen oder Aktionen zu generieren, basierend auf den gegebenen Eingaben oder Situationen.
Planning:
Ein Bereich der künstlichen Intelligenz, der sich mit der Erstellung von Plänen oder Handlungsabläufen beschäftigt, um bestimmte Ziele oder Aufgaben zu erreichen.
Probabilistic Programming:
Eine Art des Programmierens, bei der Wahrscheinlichkeiten und Unsicherheit in einem Modell integriert werden, um bessere Vorhersagen oder Entscheidungen zu treffen.
Pruning:
Ein Prozess in der maschinellen Lernphase, bei dem unnötige oder redundante Merkmale oder Gewichte entfernt werden, um die Leistung und Effizienz eines Modells zu verbessern.
Python:
Eine der am häufigsten verwendeten Programmiersprachen in der künstlichen Intelligenz, die aufgrund ihrer Einfachheit und Flexibilität beliebt ist.
Q
Q-Learning:
Ein verstärkendes Lernverfahren in der künstlichen Intelligenz, das auf der Schätzung von Wertfunktionen basiert, um Entscheidungen zu treffen und optimalen Aktionen in einer Umgebung zu erlernen.
Quantum Computing:
Eine Art von Computing, das auf den Prinzipien der Quantenmechanik basiert und es ermöglicht, komplexe Probleme zu lösen, die mit herkömmlichen Computern schwer oder unmöglich zu lösen sind.
Quantitative Analysis:
Ein Bereich der Datenanalyse, der sich mit der Verwendung von mathematischen und statistischen Methoden beschäftigt, um Daten zu interpretieren und Vorhersagen zu treffen.
Querying:
Ein Prozess in der Datenanalyse, bei dem Datenbanken oder Datensätze durchsucht werden, um spezifische Informationen zu finden oder Fragen zu beantworten.
R
Random Forest:
Ein maschinelles Lernmodell, das auf Entscheidungsbäumen basiert und mehrere Entscheidungsbäume verwendet, um bessere Vorhersagen zu treffen und Overfitting zu vermeiden.
Reasoning:
Ein Prozess in der künstlichen Intelligenz, bei dem Schlussfolgerungen aus vorhandenen Informationen oder Fakten gezogen werden, um neue Erkenntnisse oder Entscheidungen zu gewinnen.
Recommendation Systems:
Ein Bereich der künstlichen Intelligenz, der sich mit der Empfehlung von Produkten oder Dienstleistungen basierend auf dem Verhalten oder den Vorlieben von Benutzern befasst.
Recurrent Neural Networks:
Ein Typ von neuronalen Netzwerken in der künstlichen Intelligenz, die in der Lage sind, sequenzielle Daten wie Sprache oder Musik zu verarbeiten und zu modellieren.
Regression Analysis:
Ein statistisches Verfahren in der Datenanalyse, das dazu dient, die Beziehung zwischen einer abhängigen und einer oder mehreren unabhängigen Variablen zu untersuchen.
Reinforcement Learning:
Ein Lernverfahren in der künstlichen Intelligenz, bei dem ein Agent durch Interaktion mit seiner Umgebung lernt, bestimmte Entscheidungen zu treffen, um eine bestimmte Belohnung zu erhalten.
Reinforcement Signal:
Ein Signal, das von einem System oder einer Umgebung gesendet wird, um einem Agenten in der künstlichen Intelligenz zu zeigen, ob eine bestimmte Aktion gut oder schlecht ist.
Robotics:
Ein Zweig der künstlichen Intelligenz, der sich mit der Entwicklung von Robotern und der Programmierung von Algorithmen beschäftigt, um den Robotern eine künstliche Intelligenz und autonome Fähigkeiten zu verleihen.
Robustness:
Eine Eigenschaft von künstlicher Intelligenz, die sich auf die Fähigkeit bezieht, auch unter schwierigen oder unerwarteten Bedingungen oder Eingangsdaten gut zu funktionieren.
Rule-Based Systems:
Ein Typ von künstlicher Intelligenz, der aus einer Menge von Regeln oder If-Then-Statements besteht, um Entscheidungen auf der Grundlage von Eingangsdaten zu treffen.
S
Search Algorithms:
Algorithmen in der künstlichen Intelligenz, die dazu verwendet werden, eine optimale Lösung für ein Problem durch Durchsuchen eines Suchraums zu finden.
Self-Driving Cars:
Autos, die mit künstlicher Intelligenz und anderen Technologien ausgestattet sind, um autonom fahren zu können.
Semantic Segmentation:
Ein Verfahren der Bildverarbeitung in der künstlichen Intelligenz, bei dem jedes Pixel eines Bildes einer bestimmten Klasse zugeordnet wird, um eine detaillierte Objektidentifikation zu ermöglichen.
Sentiment Analysis:
Eine Technik der künstlichen Intelligenz, bei der Texte auf ihre Stimmung oder Emotionen hin analysiert werden.
Singular Value Decomposition (SVD):
Eine mathematische Technik, die in der künstlichen Intelligenz verwendet wird, um große Datenmengen zu reduzieren und komplexe Muster zu identifizieren.
Speech Recognition:
Eine Technologie der künstlichen Intelligenz, die das gesprochene Wort erkennt und in Text umwandelt.
Supervised Learning:
Ein maschinelles Lernverfahren, bei dem ein Modell auf Basis von markierten Trainingsdaten trainiert wird, um Vorhersagen auf neuen Daten zu treffen.
Supervisory Control:
Eine Art der Kontrolle in der künstlichen Intelligenz, bei der ein menschlicher Operator ein autonomes System überwacht und eingreift, falls erforderlich.
Swarm Intelligence:
Ein Ansatz in der künstlichen Intelligenz, bei dem eine Gruppe von autonomen Agenten zusammenarbeitet, um ein gemeinsames Ziel zu erreichen.
Synthetic Data:
Daten, die von Algorithmen in der künstlichen Intelligenz generiert werden, um Trainingsdaten für Modelle zu erstellen.
T
Tabular Data:
Strukturierte Daten, die in einer Tabelle organisiert sind, wie z. B. Datenbanken oder Tabellenkalkulationen.
Temporal Difference Learning:
Ein Ansatz im maschinellen Lernen, bei dem ein Modell aus Erfahrungen lernt und seine Strategie im Laufe der Zeit anpasst.
Tensor:
Eine mathematische Struktur, die in der künstlichen Intelligenz zur Darstellung von Daten und Operationen verwendet wird.
Text Mining:
Eine Methode der künstlichen Intelligenz, bei der große Mengen unstrukturierter Textdaten analysiert werden, um nützliche Informationen zu gewinnen.
Time Series Forecasting:
Ein Verfahren in der künstlichen Intelligenz, das verwendet wird, um zukünftige Ereignisse basierend auf historischen Daten und Mustern vorherzusagen.
Topological Data Analysis:
Eine Methode in der künstlichen Intelligenz, bei der komplexe Daten in einfachere Strukturen umgewandelt werden, um eine bessere Analyse und Vorhersage zu ermöglichen.
Transfer Function:
Eine Funktion in der künstlichen Intelligenz, die verwendet wird, um eine Eingabe in eine Ausgabe umzuwandeln.
Transfer Learning:
Eine Technik des maschinellen Lernens, bei der ein Modell auf einer Aufgabe trainiert wird und dann auf eine andere Aufgabe übertragen wird, um die Trainingszeit und die benötigten Daten zu reduzieren.
Tree-Based Models:
Eine Familie von Algorithmen im maschinellen Lernen, die Entscheidungsbäume verwenden, um komplexe Entscheidungen zu treffen.
Turing-Test:
Ein Test, der von Alan Turing entwickelt wurde, um zu bestimmen, ob eine Maschine ein menschliches Verhalten und Denken imitieren kann.
U
Uncertainty Quantification:
Eine Methode in der künstlichen Intelligenz, bei der die Unsicherheit in Daten und Vorhersagen quantifiziert wird, um bessere Entscheidungen zu treffen.
Underfitting:
Ein Zustand im maschinellen Lernen, bei dem das Modell zu einfach ist und nicht in der Lage ist, die Komplexität der Daten vollständig zu erfassen.
Universal Approximation Theorem:
Ein Satz in der künstlichen Intelligenz, der besagt, dass ein neuronales Netzwerk mit einer ausreichenden Anzahl von Neuronen in der Lage ist, jede stetige Funktion auf einer kompakten Menge zu approximieren.
Unsupervised Learning:
Ein Ansatz des maschinellen Lernens, bei dem ein Modell Muster und Strukturen in Daten selbstständig identifizieren und lernen kann, ohne dass ein Lehrer vorhanden ist.
Univariate Analysis:
Eine Methode der künstlichen Intelligenz, bei der eine einzelne Variable in einem Datensatz untersucht wird, um Muster und Trends zu identifizieren.
Universal Adversarial Perturbation:
Eine Art von Störung, die auf Bilder angewendet wird, um das Modell zu täuschen, indem sie das Bild so verändert, dass es für Menschen ununterscheidbar, aber für das Modell irreführend ist.
Unstructured Data:
Daten, die keine klar definierten Strukturen haben, wie z. B. unstrukturierte Textdaten oder Bilder.
User Interface:
Die Schnittstelle, die es Benutzern ermöglicht, mit einem künstlichen Intelligenzsystem zu interagieren.
User Modeling:
Ein Verfahren in der künstlichen Intelligenz, bei dem ein Modell das Verhalten und die Vorlieben von Benutzern basierend auf deren Interaktionen mit einem System vorhersagt.
Utility Function:
Eine Funktion in der künstlichen Intelligenz, die verwendet wird, um den Nutzen einer Aktion oder eines Entscheidungsbaums zu quantifizieren.
V
Validation:
Ein Prozess im maschinellen Lernen, bei dem das Modell auf einem separaten Validierungsdatensatz getestet wird, um zu überprüfen, wie gut es auf unbekannten Daten funktioniert.
Value Function:
Eine Funktion in der künstlichen Intelligenz, die den erwarteten zukünftigen Nutzen einer Aktion oder Entscheidung quantifiziert.
Vanishing Gradient Problem:
Ein Problem, das bei der Verwendung von bestimmten Aktivierungsfunktionen in tiefen neuronalen Netzwerken auftritt. Es tritt auf, wenn die Gradienten im Laufe des Trainings so klein werden, dass das Netzwerk nicht mehr lernen kann.
Variance:
Ein statistisches Maß dafür, wie weit die Daten in einem Datensatz von ihrem Mittelwert streuen.
Variational Autoencoder (VAE):
Eine Art von neuronalem Netzwerk, das für die Generierung von Daten und die Extraktion von Merkmalen verwendet wird. Es besteht aus einem Encoder, der den Input in einen latenten Vektor kodiert, und einem Decoder, der den latenten Vektor in den Output dekodiert.
Vector Space Model:
Ein mathematisches Modell, das verwendet wird, um Texte oder Dokumente zu repräsentieren und sie mithilfe von Vektoren zu vergleichen.
Vision-Based Navigation:
Eine Methode der künstlichen Intelligenz, bei der ein System eine Umgebung mithilfe von Kameras und anderen Sensoren wahrnimmt und navigiert.
Virtual Reality (VR):
Eine Technologie, die es Benutzern ermöglicht, in eine künstliche Umgebung einzutauchen und mit ihr zu interagieren.
Voice User Interface (VUI):
Eine Art von Benutzerschnittstelle, die es Benutzern ermöglicht, mit einem künstlichen Intelligenzsystem mithilfe von Sprache zu interagieren.
VGG-Net:
Ein tiefes neuronales Netzwerk, das für die Bildklassifikation und -segmentierung verwendet wird. Es verwendet eine sehr einfache Architektur mit kleinen Filtern und vielen Schichten.
W
Wahrnehmung:
Der Prozess der Informationsaufnahme und -verarbeitung durch ein System oder eine Entität, um seine Umgebung zu verstehen.
Wahrscheinlichkeitsverteilung:
Eine Funktion, die die Wahrscheinlichkeit beschreibt, mit der bestimmte Ereignisse eintreten können, basierend auf verfügbaren Daten und Wissen.
Web-Mining:
Eine Technik, die Daten aus dem World Wide Web extrahiert, um Muster und Trends zu identifizieren und Entscheidungen zu treffen.
Web-Semantik:
Eine Erweiterung des World Wide Web, die es ermöglicht, Informationen in einer für Computer verständlichen Weise zu strukturieren und zu organisieren.
Weltmodell:
Eine Repräsentation der Umgebung, in der sich ein System befindet, die verwendet wird, um Entscheidungen zu treffen und Handlungen zu planen.
Wissen:
Eine Fähigkeit oder ein Verständnis, das durch Lernen oder Erfahrung erworben wird, und das einem System oder einer Entität ermöglicht, Entscheidungen zu treffen oder Probleme zu lösen.
Wissensbasierte Systeme:
Eine Art von Systemen, die auf einer Wissensbasis basieren, die aus einer Sammlung von Fakten, Regeln und Heuristiken besteht, um eine bestimmte Aufgabe zu erfüllen.
Wissensrepräsentation:
Der Prozess der Darstellung von Wissen in einem System oder einer Entität, um es für die Verarbeitung durch einen Computer zugänglich zu machen.
Word Embeddings:
Eine Methode der Repräsentation von Wörtern als Vektoren, die auf der Verwendung von Wörtern in einem Textkorpus basiert. Diese Vektoren können verwendet werden, um semantische Ähnlichkeiten zwischen Wörtern zu messen und NLP-Aufgaben zu verbessern.
Workflow-Management:
Eine Methode, die die Automatisierung von Geschäftsprozessen durch die Integration von Technologien, Tools und Methoden zur Optimierung von Geschäftsabläufen ermöglicht.
X
XAI (Explainable Artificial Intelligence):
XAI bezieht sich auf eine Klasse von AI-Systemen, die so gestaltet sind, dass sie ihre Entscheidungen und Funktionsweise für den Menschen verständlicher und nachvollziehbarer machen.
XOR (ausschließendes Oder):
XOR ist ein logischer Operator, der in vielen KI-Anwendungen verwendet wird. Insbesondere in neuronalen Netzen kann XOR dazu verwendet werden, um bestimmte Arten von Problemen zu lösen, die mit anderen Methoden nur schwer zu bewältigen sind.
Y
YOLO (You Only Look Once):
YOLO ist eine Methode zur Objekterkennung in Bildern und Videos, die auf der Verwendung von Convolutional Neural Networks (CNNs) basiert.
Z
Zero-Shot Learning:
Zero-Shot Learning ist eine Methode des maschinellen Lernens, bei der ein Modell in der Lage ist, neue Klassen von Objekten zu erkennen, die es während des Trainings nie gesehen hat.
Zeta-Neuronen:
Zeta-Neuronen sind eine Art von künstlichen Neuronen, die es ermöglichen, ein neuronales Netzwerk effizienter zu trainieren und zu betreiben.