# DE HINTS
## TERM MAPPINGS
These are preferred terminology choices for this language. Use them whenever they sound natural; adapt freely if context requires.

- 'accuracy' -> ‚Genauigkeit'
- 'activation function' -> ‚Aktivierungsfunktion'
- 'artificial intelligence' -> ‚künstliche Intelligenz'
- 'AUC' -> ‚AUC'
- 'AUC (Area under the ROC curve)' -> ‚AUC (Area Under the ROC Curve, Bereich unter der ROC-Kurve)'
- 'backpropagation' -> ‚Rückpropagation'
- 'batch' -> ‚Batch'
- 'batch size' -> ‚Batchgröße'
- 'bias (ethics/fairness)' -> ‚Bias (Ethik/Fairness)'
- 'bias (math) or bias term' -> ‚Bias (mathematisch) oder Bias-Term'
- 'bias in ethics and fairness' -> ‚Bias in Bezug auf Ethik und Fairness'
- 'bias term' -> ‚Bias-Term'
- 'binary classification' -> ‚Binärklassifizierung'
- 'bucketing' -> ‚Bucketing'
- 'categorical' -> ‚kategorialen'
- 'categorical data' -> ‚Kategoriale Daten'
- 'class' -> ‚Klasse'
- 'class-imbalanced dataset' -> ‚Dataset mit Klassenungleichgewicht'
- 'class-imbalanced datasets' -> ‚Datasets mit ungleichmäßiger Klassenverteilung'
- 'classification' -> ‚Klassifizierungsaufgabe'
- 'classification model' -> ‚Klassifikationsmodell'
- 'classification threshold' -> ‚Klassifizierungsschwellenwert'
- 'classifier' -> ‚Klassifikator'
- 'clipping' -> ‚Clipping'
- 'confusion matrix' -> ‚Wahrheitsmatrix'
- 'continuous feature' -> ‚stetiges Feature'
- 'convergence' -> ‚Konvergenz'
- 'data set or dataset' -> ‚Dataset oder Dataset'
- 'DataFrame' -> ‚DataFrame'
- 'dataset' -> ‚Dataset'
- 'deep learning' -> ‚Deep Learning'
- 'deep model' -> ‚Deep-Modell'
- 'dense feature' -> ‚vollbesetztes Feature'
- 'depth' -> ‚Tiefe'
- 'discrete feature' -> ‚diskretes Feature'
- 'discrete features' -> ‚diskrete Features'
- 'dynamic' -> ‚dynamic'
- 'dynamic model' -> ‚dynamisches Modell'
- 'early stopping' -> ‚Vorzeitiges Beenden'
- 'embedding layer' -> ‚Einbettungsebene'
- 'embedding layers' -> ‚Einbettungsebenen'
- 'epoch' -> ‚Epoche'
- 'example' -> ‚Beispiel'
- 'false negative (FN)' -> ‚falsch negativ (FN)'
- 'false negatives' -> ‚falsch negativen Ergebnisse'
- 'false positive (FP)' -> ‚falsch positiv (FP)'
- 'false positive rate' -> ‚Falsch-Positiv-Rate'
- 'false positive rate (FPR)' -> ‚Rate falsch positiver Ergebnisse (False Positive Rate, FPR)'
- 'false positives' -> ‚falsch positiven Ergebnisse'
- 'feature' -> ‚Feature'
- 'feature cross' -> ‚Featureverknüpfung'
- 'feature crosses' -> ‚Feature-Kombinationen'
- 'feature engineering' -> ‚Feature Engineering'
- 'feature set' -> ‚Feature-Set'
- 'feature vector' -> ‚Featurevektor'
- 'feedback loop' -> ‚Feedbackschleife'
- 'generalization' -> ‚Generalisierung'
- 'generalization curve' -> ‚Verallgemeinerungskurve'
- 'gradient descent' -> ‚Gradientenabstieg'
- 'ground truth' -> ‚Ground Truth'
- 'hidden layer' -> ‚versteckte Ebene'
- 'hidden layer(s)' -> ‚verborgenen Schichten'
- 'hyperparameter' -> ‚Hyperparameter'
- 'independently and identically distributed (i.i.d)' -> ‚unabhängig und identisch verteilt (i.i.d.)'
- 'inference' -> ‚Inferenz'
- 'input layer' -> ‚Eingabelayer'
- 'interpretability' -> ‚Interpretierbarkeit'
- 'iteration' -> ‚Iteration'
- 'L0regularization' -> ‚L0-Regularisierung'
- 'L1loss' -> ‚L1-Verlust'
- 'L1regularization' -> ‚L1-Regularisierung'
- 'L2loss' -> ‚L2-Verlust'
- 'L2regularization' -> ‚L2-Regularisierung'
- 'label' -> ‚Label'
- 'labeled example' -> ‚Beispiel mit Label'
- 'lambda' -> ‚Lambda'
- 'layer' -> ‚Layer'
- 'learning rate' -> ‚Lernrate'
- 'linear' -> ‚Linear'
- 'linear model' -> ‚Lineares Modell'
- 'linear models' -> ‚linearen Modellen'
- 'linear regression' -> ‚lineare Regression'
- 'Log Loss' -> ‚Log Loss'
- 'log-odds' -> ‚Log-Odds'
- 'logistic regression' -> ‚logistische Regression'
- 'loss' -> ‚Niederlage'
- 'loss curve' -> ‚Verlustkurve'
- 'loss function' -> ‚Verlustfunktion'
- 'machine learning' -> ‚Machine Learning'
- 'majority class' -> ‚Mehrheitsklasse'
- 'mini-batch' -> ‚Mini-Batch'
- 'minority class' -> ‚Minderheitsklasse'
- 'model' -> ‚Modell'
- 'multi-class classification' -> ‚Klassifizierung mit mehreren Klassen'
- 'negative class' -> ‚negative Klasse'
- 'negative classes' -> ‚negativen Klassen'
- 'neural network' -> ‚neuronales Netzwerk'
- 'neural networks' -> ‚neuronale Netze'
- 'neuron' -> ‚Neuron'
- 'node (neural network)' -> ‚Knoten (neuronales Netzwerk)'
- 'nonlinear' -> ‚nicht linear'
- 'nonstationarity' -> ‚Nichtstationarität'
- 'normalization' -> ‚Normalisierung'
- 'numerical data' -> ‚Numerische Daten'
- 'offline' -> ‚offline'
- 'offline inference' -> ‚Offlineinferenz'
- 'one-hot encoding' -> ‚One-Hot-Codierung'
- 'one-hot vector' -> ‚One-Hot-Vektor'
- 'one-vs.-all' -> ‚One-vs.-All'
- 'online' -> ‚online'
- 'online inference' -> ‚Onlineinferenz'
- 'output layer' -> ‚Ausgabeschicht'
- 'output layers' -> ‚Ausgabelayer'
- 'overfitting' -> ‚Überanpassung'
- 'pandas' -> ‚pandas'
- 'parameter' -> ‚Parameter'
- 'positive class' -> ‚positive Klasse'
- 'positive classes' -> ‚positive Klassen'
- 'post-processing' -> ‚Nachbearbeitung'
- 'precision' -> ‚Precision'
- 'prediction' -> ‚Vorhersage-'
- 'proxy labels' -> ‚Proxy-Labels'
- 'RAG' -> ‚RAG'
- 'rater' -> ‚Bewerter'
- 'recall' -> ‚Rückruf'
- 'Rectified Linear Unit (ReLU)' -> ‚Rektifizierte lineare Einheit (ReLU)'
- 'regression model' -> ‚Regressionsmodell'
- 'regularization' -> ‚Regularisierung'
- 'regularization rate' -> ‚Regularisierungsrate'
- 'ReLU' -> ‚ReLU'
- 'retrieval-augmented generation' -> ‚Retrieval-Augmented Generation'
- 'retrieval-augmented generation (RAG)' -> ‚Retrieval-Augmented Generation (RAG)'
- 'ROC (receiver operating characteristic) Curve' -> ‚ROC-Kurve (Receiver Operating Characteristic)'
- 'ROC curve' -> ‚ROC-Kurve'
- 'Root Mean Squared Error (RMSE)' -> ‚Wurzel der mittleren Fehlerquadratsumme (RMSE)'
- 'sigmoid function' -> ‚Sigmoidfunktion'
- 'softmax' -> ‚Softmax-Funktion'
- 'sparse feature' -> ‚dünnbesetztes Feature'
- 'sparse representation' -> ‚dünnbesetzte Darstellung'
- 'sparse vector' -> ‚dünnbesetzter Vektor'
- 'squared loss' -> ‚Quadratischer Verlust'
- 'static' -> ‚Statisch'
- 'static inference' -> ‚Statische Inferenz'
- 'static model' -> ‚statischen Modell'
- 'stationarity' -> ‚Stationarität'
- 'Stochastic Gradient Descent (SGD)' -> ‚Stochastic Gradient Descent (SGD)'
- 'supervised learning' -> ‚überwachtes Lernen'
- 'supervised machine learning' -> ‚überwachtes maschinelles Lernen'
- 'synthetic feature' -> ‚synthetisches Feature'
- 'synthetic features' -> ‚synthetische Features'
- 'test loss' -> ‚Testverlust'
- 'training' -> ‚Training'
- 'training loss' -> ‚Trainingsverlust'
- 'training set' -> ‚Trainings-Dataset'
- 'training-serving skew' -> ‚Abweichungen zwischen Training und Bereitstellung'
- 'true negative (TN)' -> ‚richtig negativ (RN)'
- 'true negatives' -> ‚richtig negativen Ergebnisse'
- 'true positive (TP)' -> ‚Richtig positiv (TP)'
- 'true positive rate' -> ‚Rate der richtig positiven Ergebnisse'
- 'true positive rate (TPR)' -> ‚Rate richtig positiver Ergebnisse (True Positive Rate, TPR)'
- 'true positives' -> ‚richtig positiven Ergebnisse'
- 'underfitting' -> ‚Unteranpassung'
- 'unlabeled example' -> ‚Beispiel ohne Label'
- 'unsupervised machine learning' -> ‚unüberwachtes maschinelles Lernen'
- 'validation' -> ‚Validierung'
- 'validation dataset' -> ‚Validierungs-Dataset'
- 'validation loss' -> ‚Validierungsverlust'
- 'validation set' -> ‚Validierungs-Dataset'
- 'weight' -> ‚Gewicht'
- 'weighted sum' -> ‚gewichtete Summe'
- 'Z-score normalization' -> ‚Z-Score-Normalisierung'
