MOOCit

KI Glossar: Unterschied zwischen den Versionen

Seite Diskussion
Keine Bearbeitungszusammenfassung
Keine Bearbeitungszusammenfassung
 
Zeile 330: Zeile 330:




{{:Künstliche Intelligenz - Intro}}




Aktuelle Version vom 25. März 2024, 21:24 Uhr





KI Glossar



A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

A

  1. Algorithmus: Eine definierte Folge von Anweisungen zur Lösung eines Problems oder zur Ausführung einer Aufgabe.
  2. Artificial General Intelligence (AGI): Eine Form der KI, die fähig ist, jede intellektuelle Aufgabe zu verstehen und zu lernen, die ein menschlicher Gehirn kann.
  3. Autonome Systeme: Systeme, die ohne menschliche Eingriffe Entscheidungen treffen und Aktionen ausführen können.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

B

  1. Big Data: Große Mengen an Daten, die aus verschiedenen Quellen stammen und mit traditionellen Datenverarbeitungsanwendungen schwer zu bearbeiten sind.
  2. Bias: Vorurteile oder systematische Verzerrungen in Daten oder Algorithmen, die zu unfairen Ergebnissen führen können.
  3. Backpropagation: Ein Algorithmus zum Trainieren von neuronalen Netzen, bei dem Fehler vom Ausgang zurück zum Eingang geleitet werden, um Gewichte anzupassen.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


C

  1. Chatbots: Programme, die menschliche Konversation durch künstliche Intelligenz nachahmen, um mit Benutzern zu kommunizieren.
  2. Computational Creativity: Der Bereich der KI, der sich mit dem Erzeugen von kreativen Ideen und Kunstwerken durch Computer beschäftigt.
  3. Convolutional Neural Networks (CNN): Ein Typ von tiefen neuronalen Netzen, besonders geeignet für die Verarbeitung von Pixelinformation in Bildern.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


D

  1. Deep Learning: Ein Teilgebiet der maschinellen Lernens, das sich mit Algorithmen und Modellen beschäftigt, die auf künstlichen neuronalen Netzen basieren.
  2. Data Mining: Der Prozess des Entdeckens von Mustern in großen Datenmengen.
  3. Decision Trees: Modell zur Entscheidungsfindung und Vorhersage, das eine Baumstruktur zur Darstellung von Entscheidungen und deren möglichen Konsequenzen nutzt.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


E

  1. Expertensysteme: Computerprogramme, die Wissen und analytische Fähigkeiten von Experten in einem bestimmten Bereich nachbilden, um Probleme zu lösen.
  2. Evolutionäre Algorithmen: Optimierungsverfahren, die die Mechanismen der natürlichen Evolution nachahmen, wie Selektion, Mutation und Rekombination.
  3. Embeddings: Vektordarstellungen von Daten, die in maschinellen Lernmodellen verwendet werden, um komplexe Beziehungen zwischen Datenpunkten zu erfassen.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


F

  1. Fuzzy Logic: Eine Form der Logik, die Unsicherheit berücksichtigt, indem sie Werte zwischen wahr und falsch zulässt, anstatt nur diese zwei Extremen.
  2. Feature Engineering: Der Prozess des Identifizierens und Vorbereitens der relevanten Merkmale (Features), die für maschinelles Lernen verwendet werden.
  3. Federated Learning: Ein Ansatz für maschinelles Lernen, bei dem ein Modell über viele verteilte Geräte oder Server trainiert wird, ohne dass Daten zentralisiert werden müssen.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


G

  1. Generative Adversarial Networks (GANs): Ein Framework für das Erstellen von KI-Modellen, bei denen zwei Netzwerke, eines generativ und eines diskriminativ, gegeneinander antreten.
  2. Graph Neural Networks (GNN): Neuronale Netze, die direkt auf Graphen und deren Strukturen arbeiten, um Muster zu erkennen und Vorhersagen zu treffen.
  3. Genetic Algorithms: Suchalgorithmen, die auf den Prinzipien der natürlichen Selektion und genetischen Variation beruhen, um optimale Lösungen zu finden.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


H

  1. Heuristik: Eine praktische Methode zur Problemlösung, die nicht garantiert optimal oder perfekt ist, aber ausreichend gut für den aktuellen Zweck.
  2. Hyperparameter: Einstellungen, die vor dem Trainingsprozess eines maschinellen Lernmodells festgelegt werden und dessen Leistung und Verhalten beeinflussen können.
  3. Hybrid Systems: Systeme, die verschiedene Arten von Technologien oder Methoden kombinieren, z. B. KI mit regelbasierten Systemen.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


I

  1. Intelligente Agenten: Software, die autonom handelt, um seine Ziele zu erreichen, indem es seine Umgebung wahrnimmt und darauf reagiert.
  2. Image Recognition: Die Fähigkeit von Software, Bilder zu analysieren und zu verstehen, indem sie Objekte, Personen, Szenen und andere visuelle Elemente identifiziert.
  3. Inference: Der Prozess der Anwendung eines trainierten Modells auf neue Daten, um Vorhersagen oder Entscheidungen zu treffen.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


J

  1. Joint Learning: Ein Ansatz im maschinellen Lernen, bei dem mehrere Aufgaben gleichzeitig gelernt werden, um die Leistung über alle Aufgaben hinweg zu verbessern.
  2. Jupyter Notebook: Eine Open-Source-Webanwendung, die es ermöglicht, Live-Code, Gleichungen, Visualisierungen und erzählenden Text zu erstellen und zu teilen.
  3. JSON (JavaScript Object Notation): Ein leichtgewichtiges Daten-Austauschformat, das für die Speicherung und den Transport von Daten verwendet wird, oft in Webanwendungen mit KI-Komponenten.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


K

  1. Knowledge Graph: Eine Datenstruktur, die Wissen in Form von miteinander verbundenen Entitäten und deren Beziehungen darstellt, häufig genutzt in Suchmaschinen und KI-Systemen.
  2. K-means Clustering: Ein Verfahren zur Gruppierung oder Segmentierung von Datenpunkten in eine vorher festgelegte Anzahl von Gruppen basierend auf Ähnlichkeiten.
  3. Knowledge Representation: Methoden und Techniken zur Darstellung von Wissen in einem Format, das von Computern verarbeitet werden kann, um Schlussfolgerungen und Entscheidungen zu unterstützen.
  4. Künstliche Intelligenz


A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


L

  1. Learning Rate: Ein Hyperparameter, der bestimmt, wie stark ein neuronales Netzwerk bei jedem Schritt des Trainingsprozesses aktualisiert wird.
  2. Logistic Regression: Ein statistisches Modell, das für binäre Klassifikationsprobleme verwendet wird, um Wahrscheinlichkeiten vorherzusagen.
  3. Language Processing: Der Prozess der Analyse, Verstehen und Generierung von natürlicher Sprache durch Computer.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


M

  1. Machine Learning (ML): Ein Bereich der künstlichen Intelligenz, der Computern die Fähigkeit gibt, zu lernen und sich zu verbessern, ohne explizit programmiert zu werden.
  2. Model: Ein mathematischer Rahmen oder Algorithmus, der Daten analysiert und auf Grundlage dieser Analyse Vorhersagen oder Entscheidungen trifft.
  3. Multi-Layer Perceptron (MLP): Eine Klasse von künstlichen neuronalen Netzen, die aus mehreren Schichten von Neuronen besteht und für komplexe Mustererkennungsaufgaben eingesetzt wird.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


N

  1. Natural Language Processing (NLP): Ein Bereich der KI, der sich mit der Interaktion zwischen Computern und menschlichen (natürlichen) Sprachen befasst, insbesondere darauf, wie Computern programmiert werden, um Daten in natürlicher Sprache zu verarbeiten und zu analysieren.
  2. Neural Networks: Computernetzwerke, inspiriert vom biologischen Aufbau des menschlichen Gehirns, die in der Lage sind, aus Daten zu lernen und Muster zu erkennen.
  3. Normalization: Ein Prozess zur Anpassung und Änderung der Werte in einem Datensatz, um sie auf eine gemeinsame Skala zu bringen, ohne dass ihre Unterschiede in den Spannweiten verloren gehen.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


O

  1. Object Recognition: Die Fähigkeit von Computersystemen, Objekte in Bildern oder Videos automatisch zu erkennen und zu identifizieren.
  2. Optimization: Der Prozess der Anpassung der Parameter eines Modells, um die bestmögliche Leistung zu erreichen, oft durch Minimierung eines Fehler- oder Verlustfunktion.
  3. Overfitting: Ein Modellierungsfehler, der auftritt, wenn ein Modell zu komplex ist und zu genau auf die Trainingsdaten angepasst wird, sodass es bei neuen Daten schlecht generalisiert.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


P

  1. Pattern Recognition: Die Fähigkeit von KI-Systemen, Muster und Strukturen in Daten zu erkennen und zu interpretieren.
  2. Predictive Modeling: Der Prozess der Verwendung von statistischen Techniken, um zukünftige Ereignisse oder Ergebnisse auf Basis von historischen Daten vorherzusagen.
  3. Principal Component Analysis (PCA): Eine statistische Technik, die verwendet wird, um die Dimensionalität eines Datensatzes zu reduzieren, während so viel Varianz wie möglich beibehalten wird.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


Q

  1. Quantum Computing: Eine Technologie, die auf den Prinzipien der Quantenmechanik basiert, und das Potenzial hat, Berechnungen viel schneller durchzuführen als herkömmliche Computer für bestimmte Arten von Problemen.
  2. Q-learning: Eine Form des Reinforcement Learnings, bei dem ein Agent lernt, die beste Aktion zu wählen, um die langfristige Belohnung zu maximieren.
  3. Quality of Service (QoS): Ein Maß dafür, wie gut ein Netzwerk, eine Anwendung oder ein Dienst die Anforderungen seiner Benutzer erfüllt, oft verwendet in der Bewertung von KI-gesteuerten Netzwerkdiensten.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


R

  1. Reinforcement Learning: Ein Bereich des maschinellen Lernens, bei dem Softwareagenten lernen, Aktionen so auszuwählen, dass sie die kumulative Belohnung über die Zeit maximieren.
  2. Random Forest: Ein Ensemble-Lernverfahren, das für Klassifikation und Regression verwendet wird und aus vielen Entscheidungsbäumen besteht.
  3. Robotics: Der Bereich der KI, der sich mit dem Design, der Konstruktion, dem Betrieb und der Anwendung von Robotern beschäftigt.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


S

  1. Supervised Learning: Ein maschinelles Lernverfahren, bei dem ein Modell auf Grundlage von Eingabe-Ausgabe-Beispielpaaren trainiert wird.
  2. Semantic Web: Eine Erweiterung des aktuellen Webs, in dem Informationen in einer Weise strukturiert werden, die von Computern verstanden und verarbeitet werden kann.
  3. Sentiment Analysis: Der Prozess der Bestimmung der emotionalen Tönung hinter einer Reihe von Worten, verwendet, um die Einstellungen, Meinungen und Emotionen hinter dem Text zu verstehen.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


T

  1. Transfer Learning: Ein Forschungsbereich im maschinellen Lernen, der darauf abzielt, Wissen von einem Problem auf ein anderes zu übertragen.
  2. TensorFlow: Eine Open-Source-Softwarebibliothek für maschinelles Lernen, entwickelt von Google Brain, die für komplexe numerische Berechnungen verwendet wird.
  3. Time Series Analysis: Eine Methode zur Analyse von Zeitreihendaten, um Muster zu erkennen und Vorhersagen zu treffen.


A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


U

  1. Unsupervised Learning: Ein Typ des maschinellen Lernens, bei dem Modelle aus nicht etikettierten Daten lernen, indem sie selbstständig Muster und Strukturen in den Daten finden.
  2. Utility Theory: Ein Rahmenwerk in der Ökonomie und Entscheidungstheorie, das beschreibt, wie Akteure unter Unsicherheit Entscheidungen treffen, kann in der KI zur Optimierung von Entscheidungsprozessen angewandt werden.
  3. User Experience (UX): Das Gesamterlebnis und die Zufriedenheit eines Benutzers beim Interagieren mit einem System oder einer Dienstleistung, einschließlich KI-basierter Anwendungen.


A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


V

  1. Virtual Reality (VR): Eine simulierte Erfahrung, die entweder die reale Welt nachbildet oder eine komplett fiktive Umgebung erschafft, oft angereichert durch KI für realistischere Interaktionen.
  2. Vector Space Model: Ein algebraisches Modell zur Darstellung von Textdokumenten (und anderen Daten) als Vektoren von Identifikatoren, wichtig für die Verarbeitung natürlicher Sprache und Information Retrieval.
  3. Validation: Der Prozess der Überprüfung, ob ein KI-Modell oder -Algorithmus den erwarteten Anforderungen entspricht und korrekt funktioniert, oft durch Tests mit nicht gesehenen Daten.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


W

  1. Weak AI: Auch als Narrow AI bekannt, bezieht sich auf Systeme, die für spezifische Aufgaben entworfen sind und keine eigenen Absichten oder Bewusstsein besitzen.
  2. Word Embedding: Eine Technik im maschinellen Lernen, die Wörter in dichten Vektoren repräsentiert, die die semantischen Bedeutungen der Wörter in einem hohen Maß erfassen.
  3. Workflow Automation: Die Technologie, die den Prozess der Automatisierung von Geschäftsprozessen mit Software durch die Verwendung von Regel-basierten Logiken erleichtert, einschließlich KI-Anwendungen.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


X

  1. XAI (Explainable AI): Künstliche Intelligenz, die so gestaltet ist, dass ihre Entscheidungen und Aktionen für menschliche Benutzer nachvollziehbar und verständlich sind.
  2. XML (eXtensible Markup Language): Eine Markup-Sprache, die für die Speicherung und den Transport von Daten verwendet wird, mit Anwendungen in verschiedenen KI-basierten Datenintegrationstools.
  3. XGBoost: Eine optimierte verteilte Gradienten-Boosting-Bibliothek, die effiziente und effektive Modellierung für maschinelles Lernen bietet.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


Y

  1. Yield Optimization: Ein Prozess in der KI und maschinellem Lernen, der darauf abzielt, die Leistung und Effizienz von Algorithmen und Modellen zu maximieren.
  2. YOLO (You Only Look Once): Ein Algorithmus für Objekterkennung in Bildern, der die Position und Klassifikation von Objekten in einem einzigen Durchlauf durchführt.
  3. YARN (Yet Another Resource Negotiator): Eine Komponente von Apache Hadoop, die die Ressourcenverwaltung und Jobplanung für große Datenverarbeitungsaufgaben verbessert.
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


Z

  1. Zero-shot Learning: Eine Methode des maschinellen Lernens, bei der ein Modell so trainiert wird, dass es Aufgaben lösen kann, für die es während des Trainings keine Daten gesehen hat.
  2. Z-Score Normalization: Eine Technik zur Normalisierung von Daten, bei der die Werte so umgerechnet werden, dass sie eine Mittelwert von Null und eine Standardabweichung von Eins haben.
  3. Zigbee: Ein Spezifikation für eine Suite von Hochfrequenz-Kommunikationsprotokollen, die für persönliche Netzwerke verwendet werden, kann in Smart-Home-Anwendungen einschließlich KI-basierter Systeme integriert werden.





Teilen





Schulfach+





aiMOOCs



aiMOOC Projekte














Text bearbeiten Bild einfügen Video einbetten Interaktive Aufgaben erstellen

Teilen Facebook Twitter Google Mail an MOOCit Missbrauch melden Zertifikat beantragen

0.00
(0 Stimmen)



Abgerufen von „https://moocit.de/index.php?title=KI_Glossar&oldid=77111“