HyperAI
Command Palette
Search for a command to run...
Wiki
Glossaire du Machine Learning : Explorez les définitions et explications des concepts clés de l'IA et du ML
L'intersection sur l'union (IOU) est une mesure de performance utilisée pour évaluer la précision des algorithmes d'annotation, de segmentation et de détection d'objets. Il quantifie le chevauchement entre les boîtes englobantes prédites ou les régions segmentées et les boîtes englobantes de vérité terrain ou les régions annotées dans l'ensemble de données.
La segmentation d’instance est une technique de vision par ordinateur qui identifie et segmente des objets individuels dans une image ; contrairement à la segmentation sémantique, qui regroupe les pixels en fonction de leur signification sémantique (par exemple, route, ciel, personne), la segmentation d'instance fait la distinction entre plusieurs instances de la même classe d'objets.
En vision par ordinateur, les images en niveaux de gris utilisent une gamme de nuances de gris plutôt que le spectre complet pour représenter une scène ou un objet. Les images en niveaux de gris sont généralement créées en convertissant une image couleur en une image monocanal, où l'intensité de chaque pixel est représentée par une valeur unique comprise entre 0 (noir) et 255 (blanc).
Dans l’apprentissage automatique, les fonctionnalités sont les variables d’entrée ou les attributs utilisés pour entraîner un modèle. Ces caractéristiques représentent les caractéristiques ou propriétés des données analysées et sont utilisées par le modèle pour faire des prédictions ou des classifications.
Les images par seconde (ips) sont une mesure du nombre d'images fixes ou d'images affichées en une seconde d'une vidéo ou d'une animation.
HITL est un processus de rétroaction itératif par lequel une personne (ou une équipe) interagit avec un système généré par algorithme (par exemple, la vision par ordinateur, l'apprentissage automatique ou l'intelligence artificielle).
Dans l’apprentissage automatique, les hyperparamètres sont des paramètres donnés à l’avance pour contrôler le processus d’apprentissage. Les valeurs d’autres paramètres (tels que les poids des nœuds) sont obtenues grâce à la formation.
En termes de vision par ordinateur, les modèles de diffusion peuvent être appliqués à une variété de tâches, notamment la réduction du bruit d'image, la retouche, la super-résolution et la génération d'images.
Dans le domaine de l'apprentissage profond, Ground Truth (couramment utilisé en anglais, signifiant « vérité terrain » ou « vérité de référence » en chinois, simplement compris comme la vraie valeur) fait référence aux étiquettes ou données précises utilisées pour former et évaluer les modèles.
L'annotation d'image est le processus d'étiquetage ou d'annotation d'images avec des métadonnées ou des informations supplémentaires sur le contenu de l'image.
L'estimation de la pose humaine (HPE) est une tâche de vision par ordinateur qui consiste à détecter et à estimer les positions de diverses parties du corps dans des images ou des vidéos de personnes.
Une époque dans l'apprentissage automatique fait référence au processus de transmission de l'ensemble des données d'entraînement via le réseau neuronal une fois (c'est-à-dire en effectuant une propagation vers l'avant et une rétropropagation). Par exemple, si l’ensemble de données se compose de 1 000 échantillons et qu’une taille de lot de 100 est utilisée pour entraîner le modèle, 1 […]
Le taux de faux positifs est une mesure de la précision avec laquelle un modèle d’apprentissage automatique prédit des résultats positifs. Il s’agit de la proportion de cas où le modèle a prédit un résultat positif mais où le résultat réel était négatif.
Une limite de classe est la ligne de démarcation entre deux classes ou catégories adjacentes dans un ensemble de données.
La dérive conceptuelle fait référence au phénomène selon lequel les propriétés statistiques d'un flux de données changent au fil du temps, ce qui fait que le modèle d'apprentissage ne correspond pas à la distribution actuelle des données.
L'optimisation des politiques proximales (PPO) est un algorithme dans le domaine de l'apprentissage par renforcement qui est utilisé pour former les fonctions de prise de décision des agents informatiques à accomplir des tâches difficiles.
La matrice de confusion est un outil d'évaluation des performances utilisé dans l'apprentissage automatique qui résume les performances d'un modèle de classification en répertoriant les prédictions vraies positives, vraies négatives, fausses positives et fausses négatives.
Les courbes d'étalonnage sont un outil utile dans l'apprentissage automatique et la modélisation prédictive pour comprendre et affiner la fiabilité des probabilités prédites d'un modèle de classification.
La détection des contours est un problème fondamental dans le traitement d’images et la vision par ordinateur. Le but de la détection des contours est d’identifier les points dans les images numériques où la luminosité change de manière significative.
Dans le traitement d'images et la vision par ordinateur, l'opérateur laplacien a été utilisé pour diverses tâches telles que la détection de blobs et la détection de contours.
La programmation différentiable est un paradigme de programmation dans lequel les programmes informatiques numériques peuvent être rendus entièrement différentiables via une différenciation automatique.
L'analyse des sentiments au niveau de l'aspect est une tâche visant à détecter le sentiment d'un aspect spécifique dans un texte.
L'hallucination fait référence au phénomène selon lequel le contenu généré par un modèle est incompatible avec les faits du monde réel ou les entrées de l'utilisateur.
Foundation Agent est un modèle d'agent général qui peut être généralisé à la fois dans le monde virtuel et dans le monde réel.
L'intersection sur l'union (IOU) est une mesure de performance utilisée pour évaluer la précision des algorithmes d'annotation, de segmentation et de détection d'objets. Il quantifie le chevauchement entre les boîtes englobantes prédites ou les régions segmentées et les boîtes englobantes de vérité terrain ou les régions annotées dans l'ensemble de données.
La segmentation d’instance est une technique de vision par ordinateur qui identifie et segmente des objets individuels dans une image ; contrairement à la segmentation sémantique, qui regroupe les pixels en fonction de leur signification sémantique (par exemple, route, ciel, personne), la segmentation d'instance fait la distinction entre plusieurs instances de la même classe d'objets.
En vision par ordinateur, les images en niveaux de gris utilisent une gamme de nuances de gris plutôt que le spectre complet pour représenter une scène ou un objet. Les images en niveaux de gris sont généralement créées en convertissant une image couleur en une image monocanal, où l'intensité de chaque pixel est représentée par une valeur unique comprise entre 0 (noir) et 255 (blanc).
Dans l’apprentissage automatique, les fonctionnalités sont les variables d’entrée ou les attributs utilisés pour entraîner un modèle. Ces caractéristiques représentent les caractéristiques ou propriétés des données analysées et sont utilisées par le modèle pour faire des prédictions ou des classifications.
Les images par seconde (ips) sont une mesure du nombre d'images fixes ou d'images affichées en une seconde d'une vidéo ou d'une animation.
HITL est un processus de rétroaction itératif par lequel une personne (ou une équipe) interagit avec un système généré par algorithme (par exemple, la vision par ordinateur, l'apprentissage automatique ou l'intelligence artificielle).
Dans l’apprentissage automatique, les hyperparamètres sont des paramètres donnés à l’avance pour contrôler le processus d’apprentissage. Les valeurs d’autres paramètres (tels que les poids des nœuds) sont obtenues grâce à la formation.
En termes de vision par ordinateur, les modèles de diffusion peuvent être appliqués à une variété de tâches, notamment la réduction du bruit d'image, la retouche, la super-résolution et la génération d'images.
Dans le domaine de l'apprentissage profond, Ground Truth (couramment utilisé en anglais, signifiant « vérité terrain » ou « vérité de référence » en chinois, simplement compris comme la vraie valeur) fait référence aux étiquettes ou données précises utilisées pour former et évaluer les modèles.
L'annotation d'image est le processus d'étiquetage ou d'annotation d'images avec des métadonnées ou des informations supplémentaires sur le contenu de l'image.
L'estimation de la pose humaine (HPE) est une tâche de vision par ordinateur qui consiste à détecter et à estimer les positions de diverses parties du corps dans des images ou des vidéos de personnes.
Une époque dans l'apprentissage automatique fait référence au processus de transmission de l'ensemble des données d'entraînement via le réseau neuronal une fois (c'est-à-dire en effectuant une propagation vers l'avant et une rétropropagation). Par exemple, si l’ensemble de données se compose de 1 000 échantillons et qu’une taille de lot de 100 est utilisée pour entraîner le modèle, 1 […]
Le taux de faux positifs est une mesure de la précision avec laquelle un modèle d’apprentissage automatique prédit des résultats positifs. Il s’agit de la proportion de cas où le modèle a prédit un résultat positif mais où le résultat réel était négatif.
Une limite de classe est la ligne de démarcation entre deux classes ou catégories adjacentes dans un ensemble de données.
La dérive conceptuelle fait référence au phénomène selon lequel les propriétés statistiques d'un flux de données changent au fil du temps, ce qui fait que le modèle d'apprentissage ne correspond pas à la distribution actuelle des données.
L'optimisation des politiques proximales (PPO) est un algorithme dans le domaine de l'apprentissage par renforcement qui est utilisé pour former les fonctions de prise de décision des agents informatiques à accomplir des tâches difficiles.
La matrice de confusion est un outil d'évaluation des performances utilisé dans l'apprentissage automatique qui résume les performances d'un modèle de classification en répertoriant les prédictions vraies positives, vraies négatives, fausses positives et fausses négatives.
Les courbes d'étalonnage sont un outil utile dans l'apprentissage automatique et la modélisation prédictive pour comprendre et affiner la fiabilité des probabilités prédites d'un modèle de classification.
La détection des contours est un problème fondamental dans le traitement d’images et la vision par ordinateur. Le but de la détection des contours est d’identifier les points dans les images numériques où la luminosité change de manière significative.
Dans le traitement d'images et la vision par ordinateur, l'opérateur laplacien a été utilisé pour diverses tâches telles que la détection de blobs et la détection de contours.
La programmation différentiable est un paradigme de programmation dans lequel les programmes informatiques numériques peuvent être rendus entièrement différentiables via une différenciation automatique.
L'analyse des sentiments au niveau de l'aspect est une tâche visant à détecter le sentiment d'un aspect spécifique dans un texte.
L'hallucination fait référence au phénomène selon lequel le contenu généré par un modèle est incompatible avec les faits du monde réel ou les entrées de l'utilisateur.
Foundation Agent est un modèle d'agent général qui peut être généralisé à la fois dans le monde virtuel et dans le monde réel.