HyperAI
Command Palette
Search for a command to run...
Wiki
Machine Learning Glossary: Definitionen und Erklärungen wichtiger KI- und ML-Konzepte erkunden
Soft Margin Maximization ist eine Optimierungsmethode, die Soft Margins verwendet, um die optimale Lösung zu finden.
Transferlernen ist eine Methode, bei der vorhandenes Wissen genutzt wird, um neues Wissen zu erlernen.
Künstliche Intelligenz, auch als maschinelle Intelligenz bekannt, bezieht sich auf die Intelligenz von von Menschenhand geschaffenen Maschinen. Normalerweise bezieht sich künstliche Intelligenz auf die Technologie, menschliche Intelligenz durch gewöhnliche Computerprogramme darzustellen. Forschungsthemen Die aktuellen Forschungsrichtungen im Bereich der künstlichen Intelligenz sind in mehrere Unterbereiche unterteilt. Forscher hoffen, dass künstliche Intelligenzsysteme über bestimmte spezifische Fähigkeiten verfügen sollten, […]
Oversampling bezieht sich auf die Erhöhung der Anzahl von Samples einer bestimmten Klasse im Trainingssatz, um das Klassenungleichgewicht zu verringern.
Der durchschnittliche Gradient bezieht sich auf den Durchschnittswert der Graustufenänderungsrate. Es wird verwendet, um die Bildschärfe anzuzeigen. Dies liegt an den deutlichen Unterschieden in den Graustufen in der Nähe der Ränder oder Schatten des Bildes. Es spiegelt die Änderungsrate des Kontrasts winziger Details im Bild wider, d. h. die Änderungsrate der Dichte in der mehrdimensionalen Richtung des Bildes, und stellt die relative Klarheit des Bildes dar. Der mittlere Gradient ist das Bild […]
Bei der latenten semantischen Analyse geht es hauptsächlich um die Beziehungen hinter Wörtern und nicht um die Grundlage von Wörterbuchdefinitionen. Diese Beziehung basiert auf der tatsächlichen Verwendungsumgebung der Wörter und dient als grundlegende Referenz. Diese Idee stammt von Psycholinguisten, die glaubten, dass es einen gemeinsamen Mechanismus unter den Hunderten von Sprachen der Welt gibt, und zu dem Schluss kamen, dass jeder, der eine bestimmte Sprache spricht […]
Das globale Minimum bezieht sich auf den kleinsten Punkt aller Punkte. Der relative Begriff ist das lokale Minimum. Wenn die Fehlerfunktion nur ein lokales Minimum hat, dann ist das lokale Minimum zu diesem Zeitpunkt das globale Minimum. Wenn die Fehlerfunktion mehrere lokale Minima aufweist, kann nicht garantiert werden, dass die gefundene Lösung das globale Minimum ist. Methoden zum Finden des globalen Minimums Finden Sie mehrere lokale Minima und nehmen Sie das Minimum unter ihnen […]
Eine Aktivierungsfunktion ist eine Funktion, die auf einem Neuron in einem neuronalen Netzwerk ausgeführt wird und für die Zuordnung der Eingabe des Neurons zu seiner Ausgabe verantwortlich ist.
Globale Optimierung ist ein Zweig der angewandten Mathematik und numerischen Analyse, der versucht, das Minimum oder Maximum einer Funktion über eine gegebene Menge zu finden. Es wird oft als Minimierungsproblem beschrieben, da die Maximierung realwertiger Funktionen auf die gleiche Weise wie die Minimierung abgeleitet werden kann. Der Unterschied zwischen globaler und lokaler Optimierung besteht darin, dass sich erstere auf das Finden des Extremwerts einer gegebenen Menge konzentriert, […]
Ein Feedforward-Neuralnetzwerk ist ein relativ einfaches künstliches neuronales Netzwerk, dessen interne Parameter sich unidirektional von der Eingabeschicht zur Ausgabeschicht ausbreiten. Im Gegensatz zu einem rekursiven neuronalen Netzwerk bildet es intern keine gerichtete Schleife. Feedforward wird auch Vorwärts genannt. Aus der Perspektive des Signalflusses ist der Signalfluss unidirektional, nachdem das Eingangssignal in das Netzwerk gelangt ist.
Stichproben sind eine häufig verwendete Methode der Inferenzstatistik. Dabei handelt es sich um die Entnahme eines Teils der Individuen aus der Zielpopulation (Population oder Elternpopulation) als Stichprobe. Durch die Beobachtung eines oder mehrerer Attribute der Stichprobe wird auf Grundlage der erhaltenen Daten eine Schätzung der quantitativen Merkmale der Grundgesamtheit mit einer gewissen Zuverlässigkeit vorgenommen und so ein Verständnis der Grundgesamtheit erreicht.
Die Sentimentanalyse ist eine häufig verwendete Methode in der Verarbeitung natürlicher Sprache, die auf der lexikalischen Analyse von Texten basiert, um die darin enthaltenen spezifischen Emotionen zu bestimmen. Die Stimmungsanalyse ähnelt der Gefühlsanalyse, enthält jedoch mehr Arten emotionaler Informationen. Das vom Canadian National Research Council offiziell veröffentlichte Sentiment-Wörterbuch enthält die folgenden 8 Emotionen: Wütend […]
Die Frequenzschule glaubt, dass die Welt deterministisch ist und dass es eine Ontologie gibt, deren Wahrheitswert sich nicht ändert. Das Ziel der Häufigkeitsschule besteht darin, den Wahrheitswert bzw. dessen Bereich zu finden. Die Frequenzschule glaubt, dass hinter zufälligen Ereignissen ein tiefer Mechanismus stecken muss. Obwohl die Ereignisse selbst zufällig sind, ist dieser Mechanismus sicher. Anders als die frequentistische Schule ist die Bayesianische Schule, die […]
Der Trainingsfehler ist der Fehler, der in den Trainingsdaten auftritt. ist der durchschnittliche Verlust des Modells anhand der Trainingsdaten.
Der maximale Erwartungswert ist ein Algorithmus zum Ermitteln von Maximum-Likelihood-Schätzungen oder Maximum-a-posteriori-Schätzungen von Parametern in einem Wahrscheinlichkeitsmodell, wobei das Wahrscheinlichkeitsmodell auf einer nicht beobachtbaren abhängigen Variable basiert. Der Maximum-Expectation-Algorithmus wird häufig im Bereich der Datenclusterung im maschinellen Lernen und in der Computervision verwendet. Die Berechnung erfolgt in zwei Schritten: Berechnen Sie den Erwartungswert E: Verwenden Sie die vorhandenen Schätzungen der verborgenen Variablen […]
Overfitting ist ein Phänomen des maschinellen Lernens. Es bezieht sich auf die Situation, in der einige Attribute in der Stichprobe gelernt werden, die für die Klassifizierung nicht benötigt werden. In diesem Fall ist das erlernte Entscheidungsbaummodell nicht das optimale Modell und führt zu einer Verringerung der Generalisierungsleistung.
Der erwartete Verlust ist die Vorhersagefähigkeit aller Stichproben und ein globales Konzept. Das empirische Risiko ist ein lokales Konzept, das nur die Vorhersagefähigkeit der Entscheidungsfunktion für Stichproben im Trainingsdatensatz darstellt. Empirisches Risiko und erwartetes Risiko Das empirische Risiko ist lokal. Basierend auf der Minimierung der Verlustfunktion aller Stichprobenpunkte im Trainingssatz ist das empirische Risiko lokal optimal und kann realistisch erreicht werden. […]
Naive Bayes Classifier (NBC) ist ein bedingter Wahrscheinlichkeitsklassifikator, der auf Naive Bayes basiert.
Naive Bayes bezieht sich auf die Vorhersage einer Klassifizierung, die ausschließlich auf der Wahrscheinlichkeit des Auftretens jeder Kategorie basiert. Es handelt sich um einen Klassifizierungsalgorithmus, der auf der Wahrscheinlichkeitstheorie basiert. Der Algorithmus basiert auf der Bayes'schen Formel.
Der gepaarte t-Test ist ein häufig verwendeter t-Test. Dabei handelt es sich um die Entnahme von zwei Gruppen von Proben unter unterschiedlichen Bedingungen aus derselben Population zur Analyse, um zu beurteilen, ob die unterschiedlichen Bedingungen einen signifikanten Einfluss haben. Unterschiedliche Bedingungen können sich auf unterschiedliche Speicherumgebungen, unterschiedliche Messsysteme usw. beziehen.
Unteranpassung bezeichnet eine Situation, in der das Modell nicht gut zu den Trainingsdaten passt. Es wird normalerweise verwendet, um das Lernen von Modellen und die Generalisierungsfähigkeit zu bewerten.
Beim Definieren eines Klassifikators geht es darum, auf der Grundlage vorhandener Daten ein Klassifizierungsmodell zu erstellen. Dieses Modell kann Datensätze in der Datenbank einer der angegebenen Kategorien zuordnen, um sie zur Datenvorhersage anzuwenden. Aufbau und Implementierung des Klassifikators Der Aufbau und die Implementierung des Klassifikators durchlaufen im Allgemeinen die folgenden Schritte: Auswahl der Proben (einschließlich positiver Proben und negativer Proben […]
Gewicht ist ein relativer Begriff und bezieht sich auf einen bestimmten Indikator. Die Gewichtung eines Indikators gibt die relative Bedeutung des Indikators in der Gesamtbewertung an.
Unterabtastung ist eine Methode, bei der einige Stichproben verworfen werden, um das Klassenungleichgewicht zu verringern. Das heißt, die Kategorien mit einer großen Anzahl von Stichproben (Mehrheitskategorien) im Trainingssatz werden entsprechend unterabgetastet.
Soft Margin Maximization ist eine Optimierungsmethode, die Soft Margins verwendet, um die optimale Lösung zu finden.
Transferlernen ist eine Methode, bei der vorhandenes Wissen genutzt wird, um neues Wissen zu erlernen.
Künstliche Intelligenz, auch als maschinelle Intelligenz bekannt, bezieht sich auf die Intelligenz von von Menschenhand geschaffenen Maschinen. Normalerweise bezieht sich künstliche Intelligenz auf die Technologie, menschliche Intelligenz durch gewöhnliche Computerprogramme darzustellen. Forschungsthemen Die aktuellen Forschungsrichtungen im Bereich der künstlichen Intelligenz sind in mehrere Unterbereiche unterteilt. Forscher hoffen, dass künstliche Intelligenzsysteme über bestimmte spezifische Fähigkeiten verfügen sollten, […]
Oversampling bezieht sich auf die Erhöhung der Anzahl von Samples einer bestimmten Klasse im Trainingssatz, um das Klassenungleichgewicht zu verringern.
Der durchschnittliche Gradient bezieht sich auf den Durchschnittswert der Graustufenänderungsrate. Es wird verwendet, um die Bildschärfe anzuzeigen. Dies liegt an den deutlichen Unterschieden in den Graustufen in der Nähe der Ränder oder Schatten des Bildes. Es spiegelt die Änderungsrate des Kontrasts winziger Details im Bild wider, d. h. die Änderungsrate der Dichte in der mehrdimensionalen Richtung des Bildes, und stellt die relative Klarheit des Bildes dar. Der mittlere Gradient ist das Bild […]
Bei der latenten semantischen Analyse geht es hauptsächlich um die Beziehungen hinter Wörtern und nicht um die Grundlage von Wörterbuchdefinitionen. Diese Beziehung basiert auf der tatsächlichen Verwendungsumgebung der Wörter und dient als grundlegende Referenz. Diese Idee stammt von Psycholinguisten, die glaubten, dass es einen gemeinsamen Mechanismus unter den Hunderten von Sprachen der Welt gibt, und zu dem Schluss kamen, dass jeder, der eine bestimmte Sprache spricht […]
Das globale Minimum bezieht sich auf den kleinsten Punkt aller Punkte. Der relative Begriff ist das lokale Minimum. Wenn die Fehlerfunktion nur ein lokales Minimum hat, dann ist das lokale Minimum zu diesem Zeitpunkt das globale Minimum. Wenn die Fehlerfunktion mehrere lokale Minima aufweist, kann nicht garantiert werden, dass die gefundene Lösung das globale Minimum ist. Methoden zum Finden des globalen Minimums Finden Sie mehrere lokale Minima und nehmen Sie das Minimum unter ihnen […]
Eine Aktivierungsfunktion ist eine Funktion, die auf einem Neuron in einem neuronalen Netzwerk ausgeführt wird und für die Zuordnung der Eingabe des Neurons zu seiner Ausgabe verantwortlich ist.
Globale Optimierung ist ein Zweig der angewandten Mathematik und numerischen Analyse, der versucht, das Minimum oder Maximum einer Funktion über eine gegebene Menge zu finden. Es wird oft als Minimierungsproblem beschrieben, da die Maximierung realwertiger Funktionen auf die gleiche Weise wie die Minimierung abgeleitet werden kann. Der Unterschied zwischen globaler und lokaler Optimierung besteht darin, dass sich erstere auf das Finden des Extremwerts einer gegebenen Menge konzentriert, […]
Ein Feedforward-Neuralnetzwerk ist ein relativ einfaches künstliches neuronales Netzwerk, dessen interne Parameter sich unidirektional von der Eingabeschicht zur Ausgabeschicht ausbreiten. Im Gegensatz zu einem rekursiven neuronalen Netzwerk bildet es intern keine gerichtete Schleife. Feedforward wird auch Vorwärts genannt. Aus der Perspektive des Signalflusses ist der Signalfluss unidirektional, nachdem das Eingangssignal in das Netzwerk gelangt ist.
Stichproben sind eine häufig verwendete Methode der Inferenzstatistik. Dabei handelt es sich um die Entnahme eines Teils der Individuen aus der Zielpopulation (Population oder Elternpopulation) als Stichprobe. Durch die Beobachtung eines oder mehrerer Attribute der Stichprobe wird auf Grundlage der erhaltenen Daten eine Schätzung der quantitativen Merkmale der Grundgesamtheit mit einer gewissen Zuverlässigkeit vorgenommen und so ein Verständnis der Grundgesamtheit erreicht.
Die Sentimentanalyse ist eine häufig verwendete Methode in der Verarbeitung natürlicher Sprache, die auf der lexikalischen Analyse von Texten basiert, um die darin enthaltenen spezifischen Emotionen zu bestimmen. Die Stimmungsanalyse ähnelt der Gefühlsanalyse, enthält jedoch mehr Arten emotionaler Informationen. Das vom Canadian National Research Council offiziell veröffentlichte Sentiment-Wörterbuch enthält die folgenden 8 Emotionen: Wütend […]
Die Frequenzschule glaubt, dass die Welt deterministisch ist und dass es eine Ontologie gibt, deren Wahrheitswert sich nicht ändert. Das Ziel der Häufigkeitsschule besteht darin, den Wahrheitswert bzw. dessen Bereich zu finden. Die Frequenzschule glaubt, dass hinter zufälligen Ereignissen ein tiefer Mechanismus stecken muss. Obwohl die Ereignisse selbst zufällig sind, ist dieser Mechanismus sicher. Anders als die frequentistische Schule ist die Bayesianische Schule, die […]
Der Trainingsfehler ist der Fehler, der in den Trainingsdaten auftritt. ist der durchschnittliche Verlust des Modells anhand der Trainingsdaten.
Der maximale Erwartungswert ist ein Algorithmus zum Ermitteln von Maximum-Likelihood-Schätzungen oder Maximum-a-posteriori-Schätzungen von Parametern in einem Wahrscheinlichkeitsmodell, wobei das Wahrscheinlichkeitsmodell auf einer nicht beobachtbaren abhängigen Variable basiert. Der Maximum-Expectation-Algorithmus wird häufig im Bereich der Datenclusterung im maschinellen Lernen und in der Computervision verwendet. Die Berechnung erfolgt in zwei Schritten: Berechnen Sie den Erwartungswert E: Verwenden Sie die vorhandenen Schätzungen der verborgenen Variablen […]
Overfitting ist ein Phänomen des maschinellen Lernens. Es bezieht sich auf die Situation, in der einige Attribute in der Stichprobe gelernt werden, die für die Klassifizierung nicht benötigt werden. In diesem Fall ist das erlernte Entscheidungsbaummodell nicht das optimale Modell und führt zu einer Verringerung der Generalisierungsleistung.
Der erwartete Verlust ist die Vorhersagefähigkeit aller Stichproben und ein globales Konzept. Das empirische Risiko ist ein lokales Konzept, das nur die Vorhersagefähigkeit der Entscheidungsfunktion für Stichproben im Trainingsdatensatz darstellt. Empirisches Risiko und erwartetes Risiko Das empirische Risiko ist lokal. Basierend auf der Minimierung der Verlustfunktion aller Stichprobenpunkte im Trainingssatz ist das empirische Risiko lokal optimal und kann realistisch erreicht werden. […]
Naive Bayes Classifier (NBC) ist ein bedingter Wahrscheinlichkeitsklassifikator, der auf Naive Bayes basiert.
Naive Bayes bezieht sich auf die Vorhersage einer Klassifizierung, die ausschließlich auf der Wahrscheinlichkeit des Auftretens jeder Kategorie basiert. Es handelt sich um einen Klassifizierungsalgorithmus, der auf der Wahrscheinlichkeitstheorie basiert. Der Algorithmus basiert auf der Bayes'schen Formel.
Der gepaarte t-Test ist ein häufig verwendeter t-Test. Dabei handelt es sich um die Entnahme von zwei Gruppen von Proben unter unterschiedlichen Bedingungen aus derselben Population zur Analyse, um zu beurteilen, ob die unterschiedlichen Bedingungen einen signifikanten Einfluss haben. Unterschiedliche Bedingungen können sich auf unterschiedliche Speicherumgebungen, unterschiedliche Messsysteme usw. beziehen.
Unteranpassung bezeichnet eine Situation, in der das Modell nicht gut zu den Trainingsdaten passt. Es wird normalerweise verwendet, um das Lernen von Modellen und die Generalisierungsfähigkeit zu bewerten.
Beim Definieren eines Klassifikators geht es darum, auf der Grundlage vorhandener Daten ein Klassifizierungsmodell zu erstellen. Dieses Modell kann Datensätze in der Datenbank einer der angegebenen Kategorien zuordnen, um sie zur Datenvorhersage anzuwenden. Aufbau und Implementierung des Klassifikators Der Aufbau und die Implementierung des Klassifikators durchlaufen im Allgemeinen die folgenden Schritte: Auswahl der Proben (einschließlich positiver Proben und negativer Proben […]
Gewicht ist ein relativer Begriff und bezieht sich auf einen bestimmten Indikator. Die Gewichtung eines Indikators gibt die relative Bedeutung des Indikators in der Gesamtbewertung an.
Unterabtastung ist eine Methode, bei der einige Stichproben verworfen werden, um das Klassenungleichgewicht zu verringern. Das heißt, die Kategorien mit einer großen Anzahl von Stichproben (Mehrheitskategorien) im Trainingssatz werden entsprechend unterabgetastet.