Eine Abfolge logischer Regeln oder mathematischer Schritte, mit denen ein Problem gelöst oder eine Aufgabe automatisiert wird. Algorithmen sind die Basis jeder KI, da sie bestimmen, wie Daten verarbeitet und Entscheidungen getroffen werden.  

Ein Teilbereich des Machine Learning, der auf mehrschichtigen neuronalen Netzen basiert. Deep Learning ermöglicht es Systemen, komplexe Muster in großen Datenmengen selbstständig zu erkennen.  

KI-Zweig, der Maschinen das Verstehen und Interpretieren visueller Daten (Bilder, Videos) ermöglicht. Anwendungen: Objekterkennung, Bildklassifikation oder medizinische Bildanalyse.  

Technische Phänomene beim Modelltraining: Bias entsteht durch zu einfache Modelle (Underfitting), Varianz durch Überanpassung an Trainingsdaten (Overfitting). Balance ist entscheidend für eine gute Generalisierung.  

Eine strukturierte Sammlung von Daten, die für das Training, Testen oder Validieren eines KI-Modells verwendet wird. Die Qualität und Vielfalt des Datensatzes beeinflussen direkt die Genauigkeit der KI.  

Dichte Vektordarstellungen von Daten (z. B. Wörtern oder Bildern) in einem kontinuierlichen Raum. Embeddings fangen semantische Ähnlichkeiten ein und sind Basis für viele moderne KI-Anwendungen.  

Schwache KI ist auf spezielle Aufgaben spezialisiert (z. B. Übersetzungen oder Spracherkennung), während starke KI hypothetisch umfangreiche, menschenähnliche Intelligenz abbilden würde.  

Der Prozess, bei dem ein trainiertes KI-Modell aus neu eingegebenen Daten Schlussfolgerungen zieht oder vorhersagt, trifft. Inferenz ist die Anwendung des gelernten Wissens auf reale Aufgaben.  

Mathematische Metrik, die misst, wie weit vorhersagen eines Modells von den tatsächlichen Werten abweichen. Das Training optimiert die Loss-Funktion, um die Genauigkeit zu maximieren.