Command Palette
Search for a command to run...
Wiki
Machine Learning Glossary: Explore definitions and explanations of key AI and ML concepts
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 théorie des graphes est une branche des mathématiques combinatoires. Son principal objet de recherche est le graphique. Ici, le graphe fait référence à une figure composée de plusieurs sommets et arêtes donnés reliant deux sommets. Il est souvent utilisé pour décrire des relations particulières entre des choses, où les sommets représentent les choses et les arêtes représentent les connexions entre elles. La théorie des graphes est née du problème des sept ponts de Königsberg, résolu par Euler en 1736 […]
Le problème d'explosion de gradient se produit généralement dans les réseaux profonds lorsque la valeur d'initialisation du poids est trop grande, et il devient généralement plus évident à mesure que le nombre de couches réseau augmente. En prenant la dérivée de la fonction d'activation, si le résultat est supérieur à 1, alors à mesure que le nombre de couches augmente, la mise à jour du gradient final augmentera de manière exponentielle, c'est-à-dire qu'une explosion du gradient se produit ; si le résultat est inférieur à 1, alors le nombre de couches […]
La décomposition propre est une méthode de représentation du produit de matrices en les décomposant en valeurs propres et vecteurs propres. Cependant, seules les matrices diagonalisables peuvent être décomposées en valeurs propres. La multiplication matricielle correspond à une transformation, qui consiste à transformer n'importe quel vecteur en un nouveau vecteur d'une autre direction et d'une autre longueur. Dans ce processus, le vecteur d’origine va tourner et s’étendre.
Un algorithme est un moyen efficace de représenter une liste de longueur finie. En mathématiques et en informatique, un algorithme peut être considéré comme toute séquence bien définie d’étapes de calcul spécifiques.
La moyenne harmonique est une méthode de calcul de la moyenne, qui peut être divisée en deux formes : simple et pondérée. La moyenne harmonique pondérée est une variante de la moyenne arithmétique pondérée. Dans la plupart des cas, nous ne connaissons que la somme des valeurs d'un certain signe dans chaque groupe, m, mais nous manquons d'informations sur le nombre total d'unités f. Par conséquent, nous ne pouvons pas utiliser directement la méthode de la moyenne arithmétique pondérée pour calculer, et […]
Les essais et erreurs sont une méthode de résolution de problèmes par des tentatives répétées.
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 théorie des graphes est une branche des mathématiques combinatoires. Son principal objet de recherche est le graphique. Ici, le graphe fait référence à une figure composée de plusieurs sommets et arêtes donnés reliant deux sommets. Il est souvent utilisé pour décrire des relations particulières entre des choses, où les sommets représentent les choses et les arêtes représentent les connexions entre elles. La théorie des graphes est née du problème des sept ponts de Königsberg, résolu par Euler en 1736 […]
Le problème d'explosion de gradient se produit généralement dans les réseaux profonds lorsque la valeur d'initialisation du poids est trop grande, et il devient généralement plus évident à mesure que le nombre de couches réseau augmente. En prenant la dérivée de la fonction d'activation, si le résultat est supérieur à 1, alors à mesure que le nombre de couches augmente, la mise à jour du gradient final augmentera de manière exponentielle, c'est-à-dire qu'une explosion du gradient se produit ; si le résultat est inférieur à 1, alors le nombre de couches […]
La décomposition propre est une méthode de représentation du produit de matrices en les décomposant en valeurs propres et vecteurs propres. Cependant, seules les matrices diagonalisables peuvent être décomposées en valeurs propres. La multiplication matricielle correspond à une transformation, qui consiste à transformer n'importe quel vecteur en un nouveau vecteur d'une autre direction et d'une autre longueur. Dans ce processus, le vecteur d’origine va tourner et s’étendre.
Un algorithme est un moyen efficace de représenter une liste de longueur finie. En mathématiques et en informatique, un algorithme peut être considéré comme toute séquence bien définie d’étapes de calcul spécifiques.
La moyenne harmonique est une méthode de calcul de la moyenne, qui peut être divisée en deux formes : simple et pondérée. La moyenne harmonique pondérée est une variante de la moyenne arithmétique pondérée. Dans la plupart des cas, nous ne connaissons que la somme des valeurs d'un certain signe dans chaque groupe, m, mais nous manquons d'informations sur le nombre total d'unités f. Par conséquent, nous ne pouvons pas utiliser directement la méthode de la moyenne arithmétique pondérée pour calculer, et […]
Les essais et erreurs sont une méthode de résolution de problèmes par des tentatives répétées.