HyperAI
Command Palette
Search for a command to run...
Wiki
Machine Learning Glossary: Definitionen und Erklärungen wichtiger KI- und ML-Konzepte erkunden
Das maximale Intervall bezieht sich auf die Situation in der Klassifizierungsaufgabe, in der der Abstand zwischen den Trainingsdaten am größten ist. Die Hyperebene, die das maximale Intervall erfüllt, kann die Daten in positive und negative Kategorien unterteilen, und die Entscheidungssicherheit ist zu diesem Zeitpunkt am höchsten. In Support Vector Machines gibt es die Hard Margin Maximization und die Soft Margin Maximization, beides Strategien zum Finden des maximalen Rands.
Das Markow-Zufallsfeld wird auch als Markow-Netzwerk bezeichnet und ist ein Modell, das durch einen ungerichteten Graphen beschrieben wird. Es enthält eine Reihe von Knoten, wobei jeder Knoten einer einzelnen Variable oder einer Gruppe von Variablen entspricht und die Verbindungen zwischen den Knoten ungerichtet sind. Das Markov-Zufallsfeld beschreibt, dass bei mehreren Datenpunkten keine klare Beziehung zwischen zwei Punkten hinsichtlich Vorder- und Rückseite oder Richtung besteht, obwohl eine Beziehung zwischen den beiden Punkten besteht.
Bei der automatischen Zusammenfassung werden Textdokumente mithilfe einer Software gekürzt, um eine Zusammenfassung zu erstellen, die die wichtigsten Punkte des Originaldokuments enthält. Es ist derzeit Teil des Bereichs des maschinellen Lernens und des Data Mining und sein Ziel besteht darin, Teilmengen von Daten zu finden, die relevante „Informationen“ enthalten. Derzeit gibt es zwei Methoden zur automatischen Zusammenfassung: Extraktion und Abstraktion. Die Extraktion basiert auf Wörtern und Phrasen im Originaltext […]
Die automatische Spracherkennungstechnologie ist eine Technologie, die menschliche Sprache in Text umwandelt. Aufgrund der Vielfalt und Komplexität von Sprachsignalen können aktuelle Spracherkennungssysteme nur unter bestimmten Einschränkungen eine zufriedenstellende Leistung erzielen (sie sind nur in bestimmten Situationen anwendbar). Definition der automatischen Spracherkennung Das Ziel der Technologie zur automatischen Spracherkennung besteht darin, Computern zu ermöglichen, „[…]
Ein Autoencoder ist ein künstliches neuronales Netzwerk, das zur effizienten Kodierung beim unüberwachten Lernen verwendet wird, häufig zur Dimensionsreduzierung. Es handelt sich auch um einen Datenkomprimierungsalgorithmus, bei dem die Komprimierungs- und Dekomprimierungsfunktionen der Daten verlustbehaftet sind und automatisch aus Samples gelernt werden. In den meisten Fällen, in denen Autoencoder erwähnt werden, werden die Komprimierungs- und Dekomprimierungsfunktionen jedoch durch neuronale Netzwerke gelernt […]
Der menschliche Aufmerksamkeitsmechanismus basiert auf Intuition. Es ist ein Mittel für den Menschen, mit begrenzten Ressourcen schnell wertvolle Informationen aus einer großen Menge an Informationen herauszufiltern. Der Aufmerksamkeitsmechanismus beim Deep Learning basiert auf der Denkweise der menschlichen Aufmerksamkeit und wird häufig in verschiedenen Szenarien wie der Verarbeitung natürlicher Sprache, der Bildklassifizierung, der Spracherkennung usw. eingesetzt und hat bemerkenswerte Ergebnisse erzielt.
AUC wird als Fläche unter der ROC-Kurve und der Koordinatenachse definiert. Da die ROC-Kurve über y=x liegt, liegt der Wertebereich von AUC zwischen 0,5 und 1. AUC kann beim Vergleich verschiedener Klassifikationsmodelle als Indikator für die Qualität des Modells verwendet werden. Seine Hauptbedeutung liegt in der Tatsache, dass AUC […]
Die Hesse-Matrix, auch als Hessian-Matrix oder Hessian-Matrix bekannt, ist eine Blockmatrix, die aus den partiellen Ableitungen zweiter Ordnung einer multivariaten reellwertigen Funktion besteht. Dies ist eine Verallgemeinerung der Ableitung zweiter Ordnung auf multivariate Funktionen und steht in engem Zusammenhang mit den Extremwerten von Funktionen.
Alpha-Beta-Pruning ist ein Suchalgorithmus, der verwendet wird, um die Anzahl der Knoten im Minimax-Suchbaum zu reduzieren.
Die adaptive Resonanztheorie (kurz ART) ist ein theoretisches Modell, das besagt, dass bei einer Interaktion zwischen einem neuronalen Netzwerk und der Umgebung die Kodierung von Umgebungsinformationen im neuronalen Netzwerk spontan erfolgt und das Netzwerk sich selbst organisieren kann, um die Kodierung von Umgebungswissen zu erzeugen.
Anwendungsspezifische integrierte Schaltkreise, kurz ASICs, sind integrierte Schaltkreise mit speziellen Spezifikationen, die entsprechend unterschiedlicher Produktanforderungen angepasst werden. Im Gegensatz dazu handelt es sich bei nicht kundenspezifischen Schaltungen um anwendungsspezifische Standardprodukte (ASSP).
Ein intelligenter Agent ist eine Software- oder Hardwareeinheit, die autonom agieren kann. Es wurde als „Agent“, „Agent“, „intelligentes Subjekt“ usw. übersetzt.
Die ursprüngliche Stichprobenmethode ist eine grundlegende Stichprobenmethode für gerichtete Graphenmodelle, die sich auf die Generierung von Stichproben aus der durch das Modell dargestellten gemeinsamen Verteilung bezieht und auch als Ahnenstichprobenmethode bezeichnet wird.
Bei der Anomalieerkennung geht es darum, Objekte zu finden, die sich von den meisten Objekten unterscheiden, also eigentlich Ausreißer zu finden. Anomalieerkennung wird manchmal auch Abweichungserkennung genannt. Anomale Objekte sind relativ selten.
Eine Lernregel ist ein Konzept in neuronalen Netzwerkmodellen, das darstellt, wie sich die Gewichte im Netzwerk im Laufe der Zeit anpassen. Dies wird allgemein als kinetische Regel für den Langzeitbereich angesehen.
Der Actor-Critic-Algorithmus ist ein Verstärkungslernalgorithmus, der ein Richtliniennetzwerk und eine Wertefunktion kombiniert. Es berechnet die Wahrscheinlichkeit, unter verschiedenen Bedingungen verschiedene Aktionen auszuführen, anhand der Belohnungs- und Bestrafungsinformationen der Ergebnisse. Auch als AC-Algorithmus bekannt.
Die Aufgabe des akustischen Modells besteht darin, P(O|W) zu berechnen, also die Wahrscheinlichkeit, eine Sprachwellenform für das Modell zu generieren. Das akustische Modell ist einer der wichtigsten Teile des Spracherkennungssystems. Es macht den größten Teil des Rechenaufwands bei der Spracherkennung aus und bestimmt die Leistung des Spracherkennungssystems.
Der adaptive Bitrate-Algorithmus ist eine Videoübertragungstechnologie, die die Bitrate von Streaming-Medien automatisch anpasst. Die Anpassungsfaktoren hängen hauptsächlich von den Netzwerkbedingungen oder der Clientverzögerung ab.
Die Tensor Processing Unit (TPU) ist ein spezieller integrierter Schaltkreis, der speziell für maschinelles Lernen entwickelt wurde.
Schräge Entscheidungsbäume werden auch multivariate Entscheidungsbäume genannt. Es handelt sich um einen Entscheidungsbaum, in dem Knoten lineare Ausdrücke mehrerer Attribute als Bewertungskriterien verwenden.
Ungeordnete Attribute sind Attribute, die nicht in einer Reihenfolge angeordnet werden können.
Die Eigenschaft der eingeschränkten Isometrie (RIP) ist eine Eigenschaft, die verwendet wird, um die Beziehung zwischen nahezu orthogonalen Matrizen bei der Behandlung von Problemen wie dünn besetzten Vektoren zu beschreiben.
Trainingsbeispiele beziehen sich auf Instanzen, die während des Trainingsvorgangs zum Training markiert werden.
Die Support-Vektor-Erweiterung ist die Erweiterung der Kernelfunktion der optimalen Lösung des Modells durch die Trainingsbeispiele.
Das maximale Intervall bezieht sich auf die Situation in der Klassifizierungsaufgabe, in der der Abstand zwischen den Trainingsdaten am größten ist. Die Hyperebene, die das maximale Intervall erfüllt, kann die Daten in positive und negative Kategorien unterteilen, und die Entscheidungssicherheit ist zu diesem Zeitpunkt am höchsten. In Support Vector Machines gibt es die Hard Margin Maximization und die Soft Margin Maximization, beides Strategien zum Finden des maximalen Rands.
Das Markow-Zufallsfeld wird auch als Markow-Netzwerk bezeichnet und ist ein Modell, das durch einen ungerichteten Graphen beschrieben wird. Es enthält eine Reihe von Knoten, wobei jeder Knoten einer einzelnen Variable oder einer Gruppe von Variablen entspricht und die Verbindungen zwischen den Knoten ungerichtet sind. Das Markov-Zufallsfeld beschreibt, dass bei mehreren Datenpunkten keine klare Beziehung zwischen zwei Punkten hinsichtlich Vorder- und Rückseite oder Richtung besteht, obwohl eine Beziehung zwischen den beiden Punkten besteht.
Bei der automatischen Zusammenfassung werden Textdokumente mithilfe einer Software gekürzt, um eine Zusammenfassung zu erstellen, die die wichtigsten Punkte des Originaldokuments enthält. Es ist derzeit Teil des Bereichs des maschinellen Lernens und des Data Mining und sein Ziel besteht darin, Teilmengen von Daten zu finden, die relevante „Informationen“ enthalten. Derzeit gibt es zwei Methoden zur automatischen Zusammenfassung: Extraktion und Abstraktion. Die Extraktion basiert auf Wörtern und Phrasen im Originaltext […]
Die automatische Spracherkennungstechnologie ist eine Technologie, die menschliche Sprache in Text umwandelt. Aufgrund der Vielfalt und Komplexität von Sprachsignalen können aktuelle Spracherkennungssysteme nur unter bestimmten Einschränkungen eine zufriedenstellende Leistung erzielen (sie sind nur in bestimmten Situationen anwendbar). Definition der automatischen Spracherkennung Das Ziel der Technologie zur automatischen Spracherkennung besteht darin, Computern zu ermöglichen, „[…]
Ein Autoencoder ist ein künstliches neuronales Netzwerk, das zur effizienten Kodierung beim unüberwachten Lernen verwendet wird, häufig zur Dimensionsreduzierung. Es handelt sich auch um einen Datenkomprimierungsalgorithmus, bei dem die Komprimierungs- und Dekomprimierungsfunktionen der Daten verlustbehaftet sind und automatisch aus Samples gelernt werden. In den meisten Fällen, in denen Autoencoder erwähnt werden, werden die Komprimierungs- und Dekomprimierungsfunktionen jedoch durch neuronale Netzwerke gelernt […]
Der menschliche Aufmerksamkeitsmechanismus basiert auf Intuition. Es ist ein Mittel für den Menschen, mit begrenzten Ressourcen schnell wertvolle Informationen aus einer großen Menge an Informationen herauszufiltern. Der Aufmerksamkeitsmechanismus beim Deep Learning basiert auf der Denkweise der menschlichen Aufmerksamkeit und wird häufig in verschiedenen Szenarien wie der Verarbeitung natürlicher Sprache, der Bildklassifizierung, der Spracherkennung usw. eingesetzt und hat bemerkenswerte Ergebnisse erzielt.
AUC wird als Fläche unter der ROC-Kurve und der Koordinatenachse definiert. Da die ROC-Kurve über y=x liegt, liegt der Wertebereich von AUC zwischen 0,5 und 1. AUC kann beim Vergleich verschiedener Klassifikationsmodelle als Indikator für die Qualität des Modells verwendet werden. Seine Hauptbedeutung liegt in der Tatsache, dass AUC […]
Die Hesse-Matrix, auch als Hessian-Matrix oder Hessian-Matrix bekannt, ist eine Blockmatrix, die aus den partiellen Ableitungen zweiter Ordnung einer multivariaten reellwertigen Funktion besteht. Dies ist eine Verallgemeinerung der Ableitung zweiter Ordnung auf multivariate Funktionen und steht in engem Zusammenhang mit den Extremwerten von Funktionen.
Alpha-Beta-Pruning ist ein Suchalgorithmus, der verwendet wird, um die Anzahl der Knoten im Minimax-Suchbaum zu reduzieren.
Die adaptive Resonanztheorie (kurz ART) ist ein theoretisches Modell, das besagt, dass bei einer Interaktion zwischen einem neuronalen Netzwerk und der Umgebung die Kodierung von Umgebungsinformationen im neuronalen Netzwerk spontan erfolgt und das Netzwerk sich selbst organisieren kann, um die Kodierung von Umgebungswissen zu erzeugen.
Anwendungsspezifische integrierte Schaltkreise, kurz ASICs, sind integrierte Schaltkreise mit speziellen Spezifikationen, die entsprechend unterschiedlicher Produktanforderungen angepasst werden. Im Gegensatz dazu handelt es sich bei nicht kundenspezifischen Schaltungen um anwendungsspezifische Standardprodukte (ASSP).
Ein intelligenter Agent ist eine Software- oder Hardwareeinheit, die autonom agieren kann. Es wurde als „Agent“, „Agent“, „intelligentes Subjekt“ usw. übersetzt.
Die ursprüngliche Stichprobenmethode ist eine grundlegende Stichprobenmethode für gerichtete Graphenmodelle, die sich auf die Generierung von Stichproben aus der durch das Modell dargestellten gemeinsamen Verteilung bezieht und auch als Ahnenstichprobenmethode bezeichnet wird.
Bei der Anomalieerkennung geht es darum, Objekte zu finden, die sich von den meisten Objekten unterscheiden, also eigentlich Ausreißer zu finden. Anomalieerkennung wird manchmal auch Abweichungserkennung genannt. Anomale Objekte sind relativ selten.
Eine Lernregel ist ein Konzept in neuronalen Netzwerkmodellen, das darstellt, wie sich die Gewichte im Netzwerk im Laufe der Zeit anpassen. Dies wird allgemein als kinetische Regel für den Langzeitbereich angesehen.
Der Actor-Critic-Algorithmus ist ein Verstärkungslernalgorithmus, der ein Richtliniennetzwerk und eine Wertefunktion kombiniert. Es berechnet die Wahrscheinlichkeit, unter verschiedenen Bedingungen verschiedene Aktionen auszuführen, anhand der Belohnungs- und Bestrafungsinformationen der Ergebnisse. Auch als AC-Algorithmus bekannt.
Die Aufgabe des akustischen Modells besteht darin, P(O|W) zu berechnen, also die Wahrscheinlichkeit, eine Sprachwellenform für das Modell zu generieren. Das akustische Modell ist einer der wichtigsten Teile des Spracherkennungssystems. Es macht den größten Teil des Rechenaufwands bei der Spracherkennung aus und bestimmt die Leistung des Spracherkennungssystems.
Der adaptive Bitrate-Algorithmus ist eine Videoübertragungstechnologie, die die Bitrate von Streaming-Medien automatisch anpasst. Die Anpassungsfaktoren hängen hauptsächlich von den Netzwerkbedingungen oder der Clientverzögerung ab.
Die Tensor Processing Unit (TPU) ist ein spezieller integrierter Schaltkreis, der speziell für maschinelles Lernen entwickelt wurde.
Schräge Entscheidungsbäume werden auch multivariate Entscheidungsbäume genannt. Es handelt sich um einen Entscheidungsbaum, in dem Knoten lineare Ausdrücke mehrerer Attribute als Bewertungskriterien verwenden.
Ungeordnete Attribute sind Attribute, die nicht in einer Reihenfolge angeordnet werden können.
Die Eigenschaft der eingeschränkten Isometrie (RIP) ist eine Eigenschaft, die verwendet wird, um die Beziehung zwischen nahezu orthogonalen Matrizen bei der Behandlung von Problemen wie dünn besetzten Vektoren zu beschreiben.
Trainingsbeispiele beziehen sich auf Instanzen, die während des Trainingsvorgangs zum Training markiert werden.
Die Support-Vektor-Erweiterung ist die Erweiterung der Kernelfunktion der optimalen Lösung des Modells durch die Trainingsbeispiele.