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
La marche aléatoire est un modèle statistique constitué d'une série de trajectoires d'actions aléatoires, utilisé pour représenter des changements irréguliers.
Neural Machine Translation (NMT) est un cadre de traduction automatique basé sur des réseaux neuronaux purs. Il utilise des réseaux neuronaux pour réaliser une traduction de bout en bout de la langue source vers la langue cible.
Une machine de Turing neuronale est une machine de Turing basée sur un réseau neuronal. Il s'agit d'un algorithme machine inspiré de la machine de Turing et capable d'implémenter des fonctions différentielles. Il comprend un contrôleur de réseau neuronal et une mémoire externe.
La même stratégie signifie que la stratégie de génération d’échantillons est la même que la stratégie utilisée lorsque le réseau met à jour les paramètres. Un exemple typique de la même méthode de stratégie est l’algorithme SARAS.
La caractéristique de fonctionnement du récepteur (ROC) est une mesure de test pour un algorithme d'adaptation de système. Il s’agit d’une relation entre le seuil de score de correspondance, le taux de faux positifs et le taux de faux négatifs. Il reflète l’équilibre entre le taux de rejet et le taux de fausse reconnaissance de l’algorithme de reconnaissance à différents seuils.
La machine de Boltzmann restreinte est une sorte de modèle de réseau neuronal aléatoire avec une structure à deux couches, une connexion symétrique et aucune auto-rétroaction.
La localisation et la cartographie simultanées (SLAM) sont une technique utilisée en robotique.
L'apprentissage statistique est une discipline qui construit des modèles statistiques probabilistes basés sur des données pour prédire et analyser des données, également connu sous le nom d'apprentissage automatique statistique.
La fonction de perte alternative est une fonction utilisée lorsque la fonction de perte d'origine est difficile à calculer.
Le suréchantillonnage, ou interpolation d'image, est principalement utilisé pour agrandir l'image d'origine afin qu'elle puisse être affichée sur un périphérique d'affichage à plus haute résolution.
Le problème du gradient évanescent est un problème difficile rencontré lors de la formation de réseaux de neurones artificiels utilisant la descente de gradient et la rétropropagation.
L'intégration stochastique des voisins distribués en T (t-SNE) est une méthode d'apprentissage automatique pour la réduction de la dimensionnalité.
Treebank est un corpus traité en profondeur qui effectue la segmentation des mots, le balisage des parties du discours et le balisage des relations de structure syntaxique sur les phrases.
La machine de Turing, également connue sous le nom de machine de Turing déterministe, est un modèle informatique abstrait proposé par Alan Turing en 1936. Sa signification plus abstraite est une machine logique mathématique, qui peut être considérée comme la machine logique ultime et puissante équivalente à tout processus mathématique logique fini.
La spécialisation est un processus allant du général au spécifique
Un ensemble de synonymes est une collection de mots ayant le même sens.
Le pas de temps définit la taille des intervalles de temps entre les simulations physiques. Dans un moteur de jeu, cela reflète la fréquence à laquelle une fonction doit être exécutée.
Le réglage des paramètres fait référence à l’acte d’ajuster les paramètres afin d’obtenir de meilleurs résultats.
Les attributs numériques sont un type d’attribut qui décrit quantitativement les données, ce qui signifie que les données sont une quantité mesurable.
L’intelligence artificielle générale fait référence à une entité intelligente dotée de capacités égales ou supérieures à celles des humains. Également connue sous le nom d’intelligence artificielle forte, elle peut présenter tous les comportements intelligents des humains normaux. Afin de le distinguer du terme IA dans l'intelligence artificielle traditionnelle ou l'intelligence artificielle grand public, un préfixe commun est ajouté.
Espace attributaire : L'espace couvert par les attributs, également appelé « espace d'échantillonnage » ou « espace d'entrée ». Espace des caractéristiques : l'espace des attributs formé en excluant les attributs corrélés linéairement et les attributs qui ne sont pas bénéfiques à la construction du modèle est appelé espace des caractéristiques. Concepts connexes Ensemble de données […]
Le classificateur naïf de Bayes adopte « l'hypothèse d'indépendance conditionnelle des attributs » : pour les catégories connues, il est supposé que tous les attributs sont indépendants les uns des autres. Bayes naïf amélioré : pour éviter que les informations portées par d'autres attributs ne soient « effacées » par des valeurs d'attribut qui ne sont jamais apparues dans l'ensemble d'apprentissage, un « lissage » est généralement effectué lors de l'estimation des valeurs de probabilité, et une « correction de Laplace » est souvent utilisée ; […]
Les réseaux antagonistes génératifs sont une méthode d’apprentissage non supervisé qui est mise en œuvre en laissant deux réseaux neuronaux entrer en compétition l’un avec l’autre. Cette méthode a été proposée par Ian Goodfellow en 2014. Les réseaux antagonistes génératifs comprennent les réseaux génératifs et les réseaux discriminatifs. Le réseau génératif prend des échantillons aléatoires dans l’espace latent en entrée, et la sortie doit imiter l’apprentissage […]
Dans l’apprentissage automatique, les modèles génératifs peuvent être utilisés pour modéliser directement les données ou pour établir des distributions de probabilité conditionnelles entre les variables. Les distributions de probabilité conditionnelles peuvent être basées sur des modèles génératifs du théorème de Bayes. Les modèles génératifs conviennent aux tâches non supervisées telles que la classification et le clustering. Les modèles génératifs typiques comprennent les suivants : modèles de mélanges gaussiens et autres mélanges […]
La marche aléatoire est un modèle statistique constitué d'une série de trajectoires d'actions aléatoires, utilisé pour représenter des changements irréguliers.
Neural Machine Translation (NMT) est un cadre de traduction automatique basé sur des réseaux neuronaux purs. Il utilise des réseaux neuronaux pour réaliser une traduction de bout en bout de la langue source vers la langue cible.
Une machine de Turing neuronale est une machine de Turing basée sur un réseau neuronal. Il s'agit d'un algorithme machine inspiré de la machine de Turing et capable d'implémenter des fonctions différentielles. Il comprend un contrôleur de réseau neuronal et une mémoire externe.
La même stratégie signifie que la stratégie de génération d’échantillons est la même que la stratégie utilisée lorsque le réseau met à jour les paramètres. Un exemple typique de la même méthode de stratégie est l’algorithme SARAS.
La caractéristique de fonctionnement du récepteur (ROC) est une mesure de test pour un algorithme d'adaptation de système. Il s’agit d’une relation entre le seuil de score de correspondance, le taux de faux positifs et le taux de faux négatifs. Il reflète l’équilibre entre le taux de rejet et le taux de fausse reconnaissance de l’algorithme de reconnaissance à différents seuils.
La machine de Boltzmann restreinte est une sorte de modèle de réseau neuronal aléatoire avec une structure à deux couches, une connexion symétrique et aucune auto-rétroaction.
La localisation et la cartographie simultanées (SLAM) sont une technique utilisée en robotique.
L'apprentissage statistique est une discipline qui construit des modèles statistiques probabilistes basés sur des données pour prédire et analyser des données, également connu sous le nom d'apprentissage automatique statistique.
La fonction de perte alternative est une fonction utilisée lorsque la fonction de perte d'origine est difficile à calculer.
Le suréchantillonnage, ou interpolation d'image, est principalement utilisé pour agrandir l'image d'origine afin qu'elle puisse être affichée sur un périphérique d'affichage à plus haute résolution.
Le problème du gradient évanescent est un problème difficile rencontré lors de la formation de réseaux de neurones artificiels utilisant la descente de gradient et la rétropropagation.
L'intégration stochastique des voisins distribués en T (t-SNE) est une méthode d'apprentissage automatique pour la réduction de la dimensionnalité.
Treebank est un corpus traité en profondeur qui effectue la segmentation des mots, le balisage des parties du discours et le balisage des relations de structure syntaxique sur les phrases.
La machine de Turing, également connue sous le nom de machine de Turing déterministe, est un modèle informatique abstrait proposé par Alan Turing en 1936. Sa signification plus abstraite est une machine logique mathématique, qui peut être considérée comme la machine logique ultime et puissante équivalente à tout processus mathématique logique fini.
La spécialisation est un processus allant du général au spécifique
Un ensemble de synonymes est une collection de mots ayant le même sens.
Le pas de temps définit la taille des intervalles de temps entre les simulations physiques. Dans un moteur de jeu, cela reflète la fréquence à laquelle une fonction doit être exécutée.
Le réglage des paramètres fait référence à l’acte d’ajuster les paramètres afin d’obtenir de meilleurs résultats.
Les attributs numériques sont un type d’attribut qui décrit quantitativement les données, ce qui signifie que les données sont une quantité mesurable.
L’intelligence artificielle générale fait référence à une entité intelligente dotée de capacités égales ou supérieures à celles des humains. Également connue sous le nom d’intelligence artificielle forte, elle peut présenter tous les comportements intelligents des humains normaux. Afin de le distinguer du terme IA dans l'intelligence artificielle traditionnelle ou l'intelligence artificielle grand public, un préfixe commun est ajouté.
Espace attributaire : L'espace couvert par les attributs, également appelé « espace d'échantillonnage » ou « espace d'entrée ». Espace des caractéristiques : l'espace des attributs formé en excluant les attributs corrélés linéairement et les attributs qui ne sont pas bénéfiques à la construction du modèle est appelé espace des caractéristiques. Concepts connexes Ensemble de données […]
Le classificateur naïf de Bayes adopte « l'hypothèse d'indépendance conditionnelle des attributs » : pour les catégories connues, il est supposé que tous les attributs sont indépendants les uns des autres. Bayes naïf amélioré : pour éviter que les informations portées par d'autres attributs ne soient « effacées » par des valeurs d'attribut qui ne sont jamais apparues dans l'ensemble d'apprentissage, un « lissage » est généralement effectué lors de l'estimation des valeurs de probabilité, et une « correction de Laplace » est souvent utilisée ; […]
Les réseaux antagonistes génératifs sont une méthode d’apprentissage non supervisé qui est mise en œuvre en laissant deux réseaux neuronaux entrer en compétition l’un avec l’autre. Cette méthode a été proposée par Ian Goodfellow en 2014. Les réseaux antagonistes génératifs comprennent les réseaux génératifs et les réseaux discriminatifs. Le réseau génératif prend des échantillons aléatoires dans l’espace latent en entrée, et la sortie doit imiter l’apprentissage […]
Dans l’apprentissage automatique, les modèles génératifs peuvent être utilisés pour modéliser directement les données ou pour établir des distributions de probabilité conditionnelles entre les variables. Les distributions de probabilité conditionnelles peuvent être basées sur des modèles génératifs du théorème de Bayes. Les modèles génératifs conviennent aux tâches non supervisées telles que la classification et le clustering. Les modèles génératifs typiques comprennent les suivants : modèles de mélanges gaussiens et autres mélanges […]