AlphaFold 2

Ein Accelerator ist ein Werkzeug oder eine Plattform, die die Entwicklung und Leistung von KI-Modellen beschleunigt.

Eine Aktivierungsfunktion bestimmt die Ausgabe eines Neuronenknotens in einem neuronalen Netzwerk basierend auf seinem Eingang.

Adadelta ist ein adaptiver Lernraten-Optimierungsalgorithmus für das Training von Machine-Learning-Modellen.

Der Adam-Optimizer ist ein adaptiver Lernraten-Optimierungsalgorithmus für das Training von maschinellen Lernmodellen.

AdamW ist ein Optimierungsalgorithmus, der das Training von Deep-Learning-Modellen verbessert, indem er Probleme mit der Gewichtungskadierung adressiert.

Adaptive Pooling ist eine Technik im Deep Learning, die die Größe der Ausgabefunktionen an spezifische Anforderungen anpasst.

Albumentations ist eine Python-Bibliothek für Bildaugmentationen im Deep Learning und verbessert das Modelltraining durch vielfältige Bildtransformationen.

AlphaPose ist ein Echtzeit-Framework zur Schätzung menschlicher Posen unter Verwendung von Deep-Learning-Techniken.

Ein skalierbares Werkzeug zum Bereitstellen von Machine-Learning-Modellen in Produktionsumgebungen mit Apache MXNet.

Atrous-Konvolution ist eine Art der Konvolution, die dilatierte Filter verwendet, um Multi-Skalen-Features in neuronalen Netzwerken zu erfassen.

Aufmerksamkeits-Sparsity bezieht sich auf die selektive Fokussierung neuronaler Netzwerke auf bestimmte Teile der Eingabedaten, was Effizienz und Leistung verbessert.

AutoAugment ist eine automatisierte Technik zur Verbesserung von Trainingsdatensätzen im maschinellen Lernen.

Eine Autoencoder-Architektur ist eine Art neuronales Netzwerk, das für unüberwachtes Lernen verwendet wird, um Daten zu kodieren und zu dekodieren.

Eine Technik, die das AI-Training beschleunigt, indem sie niedrigere Präzisionszahlen verwendet, ohne die Genauigkeit zu beeinträchtigen.

Ein generatives Modell, das autoregressive und flow-basierte Methoden kombiniert, um eine flexible Datenverteilungslernen zu ermöglichen.

Der Hilfsverlust ist eine zusätzliche Verlustfunktion, die verwendet wird, um die Modellleistung während des Trainings zu verbessern.

Durchschnittliches Pooling reduziert die Größe von Merkmalskarten, indem es den Durchschnittswert von Unterregionen nimmt.

Backpropagation ist ein Algorithmus, der beim Training neuronaler Netzwerke verwendet wird, indem Gewichte anhand von Fehlerfeedback angepasst werden.

Eine Technik in neuronalen Netzen, bei der Fehler durch komplexe Strukturen propagiert werden, um Gewichte effektiv zu aktualisieren.

Eine Methode zum Training rekurrenter neuronaler Netzwerke durch Berechnung der Gradienten über Zeitschritte.

Batch Normalization ist eine Technik zur Verbesserung der Trainingsgeschwindigkeit und -stabilität in tiefen neuronalen Netzwerken.

Eine Batch-Normalization-Schicht normalisiert die Eingaben, um das Training des Deep Learning zu stabilisieren und zu beschleunigen.

Die Stapelgröße bezieht sich auf die Anzahl der Trainingsbeispiele, die in einer Iteration des Modelltrainings verwendet werden.

Bayessches Deep Learning kombiniert Deep Learning mit Bayesscher Inferenz, um die Unsicherheitsabschätzung bei Vorhersagen zu verbessern.

Beta-VAE ist eine Art von variationalem Autoencoder, der sich darauf konzentriert, erlernte Repräsentationen durch die Anpassung eines Hyperparameters, Beta, zu entwirren.

Ein bidirektionales RNN verarbeitet Daten sowohl in Vorwärts- als auch in Rückwärtsrichtung, um das Kontextverständnis zu verbessern.

Ein Engpassblock ist eine Komponente in neuronalen Netzwerken, die die Dimensionalität reduziert und die Effizienz verbessert.

ByteNet ist eine Deep-Learning-Architektur, die für effiziente Datenverarbeitung und leistungsstarke maschinelle Lernaufgaben entwickelt wurde.