Glossar

Ein Gaussian Mixture Model ist ein statistisches Modell, das zur Analyse von Datenverteilungen verwendet wird. Es modelliert die Daten als Mischung von Gauss-Verteilungen und kann zur Clusteranalyse und zur Vorhersage von Wahrscheinlichkeiten eingesetzt werden.

Ein generatives adversarisches Netzwerk (GAN) ist ein neuronales Netzwerk, das aus einem Generator und einem Diskriminator besteht. Der Generator erzeugt neue Daten, während der Diskriminator entscheidet, ob die erzeugten Daten echt oder gefälscht sind. Das Ziel eines GANs ist es, den Generator so zu trainieren, dass er immer bessere gefälschte Daten erzeugen kann, die vom Diskriminator nicht von echten Daten unterschieden werden können. GANs werden häufig für die Erstellung von Bildern und Musik verwendet.

Ein genetischer Algorithmus ist eine Methode des maschinellen Lernens, die auf der Evolutionstheorie basiert. Er nutzt evolutionäre Prinzipien wie Selektion, Rekombination und Mutation, um eine optimale Lösung für ein Problem zu finden. Genetische Algorithmen werden häufig in der Optimierung und im maschinellen Lernen eingesetzt.

Die Gewichtung eines Inputs bestimmt, wie stark der Einfluss des jeweiligen Features auf das neuronale Netz ist. Aus den Features und ihren Gewichtungen wird die gewichtete Summe gebildet, die dann an eine Aktivierungsfunktion weitergegeben wird.

Gradient Descent ist ein Optimierungsalgorithmus, der verwendet wird, um die Gewichte in einem neuronalen Netzwerk oder einem anderen maschinellen Lernmodell anzupassen. Der Algorithmus nutzt den Gradienten der Verlustfunktion, um die Richtung zu bestimmen, in der die Gewichte angepasst werden sollen. Durch die wiederholte Anwendung von Gradient Descent können die Gewichte so angepasst werden, dass die Verlustfunktion minimiert wird und das Modell bessere Vorhersagen macht.