Command Palette
Search for a command to run...
Wiki
Machine Learning Glossary: Explore definitions and explanations of key AI and ML concepts
Les variables de marge souple sont des variables auxiliaires ajoutées lors de l'application de la méthode de marge souple pour la classification. Il est introduit pour résoudre l’impact des valeurs aberrantes sur la classification.
La descente de gradient stochastique (SGD) est une approche de résolution itérative de l'algorithme de descente de gradient.
Une fonction de substitution est une fonction utilisée lorsque la fonction cible ne peut pas être utilisée ou fonctionne mal.
La fonction de perte est une mesure utilisée pour mesurer et prédire la qualité d'un modèle. Il reflète l’écart entre la valeur prédite par le modèle et la valeur réelle. Il s’agit de la partie centrale de la fonction de risque empirique et également d’un composant de la fonction de risque structurel. Fonctions de perte courantes Fonction de perte logarithmique Fonction de perte carrée Fonction de perte exponentielle Fonction de perte charnière
La sélection de fonctionnalités est le processus de sélection de sous-ensembles de fonctionnalités. Il est généralement utilisé pour construire des modèles. Ses avantages sont les suivants : Simplifier le modèle ; Réduire le temps de formation ; Améliorez la polyvalence et réduisez le surajustement. L'algorithme de sélection de fonctionnalités peut être considéré comme une combinaison de technologie de recherche et d'indice d'évaluation. Le premier fournit de nouveaux sous-ensembles de fonctionnalités candidats, et le second est utilisé pour sélectionner différents sous-ensembles de fonctionnalités.
La fonction objective fait référence à la forme de l'objectif poursuivi exprimé par les variables de conception et est une fonction des variables de conception.
L’apprentissage par renforcement (RL) est une branche importante de l’apprentissage automatique et un produit de l’intersection de plusieurs disciplines et domaines. Son essence est de résoudre le problème de prise de décision, c'est-à-dire de prendre des décisions de manière automatique et continue.
Les fonctions de notation sont les types de « scores » disponibles pour le modèle sélectionné. Par exemple, la valeur prédite d’une cible, la probabilité d’une valeur prédite ou la probabilité d’une valeur cible sélectionnée.
La décomposition en valeurs singulières (SVD) est une méthode de décomposition matricielle importante. La base de la décomposition des vecteurs propres des tableaux symétriques est l'analyse spectrale, et la décomposition des valeurs singulières est la généralisation de la théorie de l'analyse spectrale aux matrices arbitraires.
Le vote souple est également appelé vote à probabilité moyenne pondérée. Il utilise la probabilité de classe de sortie pour la méthode de vote de classification. En saisissant des poids, la moyenne pondérée de la probabilité de classe de chaque classe est obtenue et la classe avec la valeur la plus élevée sera sélectionnée.
Le clustering spectral (SC) est une méthode de clustering basée sur la théorie des graphes. Il divise un graphe non orienté pondéré en deux ou plusieurs sous-graphes optimaux, rendant les sous-graphes aussi similaires que possible et les distances entre les sous-graphes aussi éloignées que possible, afin d'atteindre l'objectif de clustering commun.
La marge dure est la base de la sélection de l'hyperplan de segmentation dans la machine à vecteurs de support. Il s'agit de la situation où la classification est totalement précise et où il n'y a pas de fonction de perte, c'est-à-dire que la valeur de perte est de 0. Il suffit de trouver le plan exactement au milieu de deux classes hétérogènes. L'opposé de la marge dure est la marge souple. La marge souple signifie autoriser une certaine quantité d’erreur de classification d’échantillon, où la fonction d’optimisation se compose de deux parties, […]
Le lissage est une méthode de traitement de données couramment utilisée.
La variable de segmentation est la variable de référence sélectionnée lors de la segmentation spatiale. Il s'agit d'un type de variable utilisé pour segmenter les problèmes de classification afin d'obtenir une classification optimale.
La machine à vecteurs de support (SVM) est une méthode d'apprentissage supervisé pour le traitement des données dans l'analyse de classification et de régression.
La maximisation des marges souples est une méthode d’optimisation qui utilise des marges souples pour trouver la solution optimale.
L’apprentissage par transfert est une méthode qui consiste à utiliser les connaissances existantes pour acquérir de nouvelles connaissances.
L'intelligence artificielle, également connue sous le nom d'intelligence artificielle, fait référence à l'intelligence affichée par les machines fabriquées par les humains. Habituellement, l’intelligence artificielle fait référence à la technologie permettant de présenter l’intelligence humaine à travers des programmes informatiques ordinaires. Thèmes de recherche Les axes de recherche actuels en intelligence artificielle ont été divisés en plusieurs sous-domaines. Les chercheurs espèrent que les systèmes d’intelligence artificielle devraient avoir certaines capacités spécifiques, […]
Le suréchantillonnage fait référence à l’augmentation du nombre d’échantillons d’une certaine classe dans l’ensemble d’apprentissage pour réduire le déséquilibre des classes.
Le gradient moyen fait référence à la valeur moyenne du taux de changement de niveaux de gris. Il est utilisé pour indiquer la clarté de l'image. Cela est dû à la différence évidente de niveaux de gris près des limites ou des ombres de l'image. Il reflète le taux de changement de contraste des petits détails de l'image, c'est-à-dire le taux de changement de densité dans la direction multidimensionnelle de l'image, et représente la clarté relative de l'image. Le gradient moyen est l'image […]
L'analyse sémantique latente traite principalement de la relation derrière les mots, plutôt que de la base des définitions du dictionnaire. Cette relation est basée sur l’environnement d’utilisation réel des mots et sert de référence de base. Cette idée est née chez les psycholinguistes qui croyaient qu’il existait un mécanisme commun parmi les centaines de langues du monde, et qui concluaient que toute personne parlant une langue particulière […]
Le minimum global fait référence au plus petit point parmi tous les points. Le concept relatif est le minimum local. Si la fonction d’erreur n’a qu’un seul minimum local, alors le minimum local à ce moment est le minimum global. Si la fonction d’erreur comporte plusieurs minima locaux, il ne peut pas être garanti que la solution trouvée soit le minimum global. Méthodes pour trouver le minimum global Trouver plusieurs minima locaux et prendre le minimum parmi eux […]
Une fonction d'activation est une fonction qui s'exécute sur un neurone dans un réseau neuronal et est responsable de la cartographie de l'entrée du neurone à sa sortie.
L'optimisation globale est une branche des mathématiques appliquées et de l'analyse numérique qui tente de trouver le minimum ou le maximum d'une fonction sur un ensemble donné. On le décrit souvent comme un problème de minimisation, car la maximisation des fonctions à valeurs réelles peut être dérivée de manière similaire à la minimisation. La différence entre l’optimisation globale et l’optimisation locale est que la première se concentre sur la recherche de la valeur extrême sur un ensemble donné, […]
Les variables de marge souple sont des variables auxiliaires ajoutées lors de l'application de la méthode de marge souple pour la classification. Il est introduit pour résoudre l’impact des valeurs aberrantes sur la classification.
La descente de gradient stochastique (SGD) est une approche de résolution itérative de l'algorithme de descente de gradient.
Une fonction de substitution est une fonction utilisée lorsque la fonction cible ne peut pas être utilisée ou fonctionne mal.
La fonction de perte est une mesure utilisée pour mesurer et prédire la qualité d'un modèle. Il reflète l’écart entre la valeur prédite par le modèle et la valeur réelle. Il s’agit de la partie centrale de la fonction de risque empirique et également d’un composant de la fonction de risque structurel. Fonctions de perte courantes Fonction de perte logarithmique Fonction de perte carrée Fonction de perte exponentielle Fonction de perte charnière
La sélection de fonctionnalités est le processus de sélection de sous-ensembles de fonctionnalités. Il est généralement utilisé pour construire des modèles. Ses avantages sont les suivants : Simplifier le modèle ; Réduire le temps de formation ; Améliorez la polyvalence et réduisez le surajustement. L'algorithme de sélection de fonctionnalités peut être considéré comme une combinaison de technologie de recherche et d'indice d'évaluation. Le premier fournit de nouveaux sous-ensembles de fonctionnalités candidats, et le second est utilisé pour sélectionner différents sous-ensembles de fonctionnalités.
La fonction objective fait référence à la forme de l'objectif poursuivi exprimé par les variables de conception et est une fonction des variables de conception.
L’apprentissage par renforcement (RL) est une branche importante de l’apprentissage automatique et un produit de l’intersection de plusieurs disciplines et domaines. Son essence est de résoudre le problème de prise de décision, c'est-à-dire de prendre des décisions de manière automatique et continue.
Les fonctions de notation sont les types de « scores » disponibles pour le modèle sélectionné. Par exemple, la valeur prédite d’une cible, la probabilité d’une valeur prédite ou la probabilité d’une valeur cible sélectionnée.
La décomposition en valeurs singulières (SVD) est une méthode de décomposition matricielle importante. La base de la décomposition des vecteurs propres des tableaux symétriques est l'analyse spectrale, et la décomposition des valeurs singulières est la généralisation de la théorie de l'analyse spectrale aux matrices arbitraires.
Le vote souple est également appelé vote à probabilité moyenne pondérée. Il utilise la probabilité de classe de sortie pour la méthode de vote de classification. En saisissant des poids, la moyenne pondérée de la probabilité de classe de chaque classe est obtenue et la classe avec la valeur la plus élevée sera sélectionnée.
Le clustering spectral (SC) est une méthode de clustering basée sur la théorie des graphes. Il divise un graphe non orienté pondéré en deux ou plusieurs sous-graphes optimaux, rendant les sous-graphes aussi similaires que possible et les distances entre les sous-graphes aussi éloignées que possible, afin d'atteindre l'objectif de clustering commun.
La marge dure est la base de la sélection de l'hyperplan de segmentation dans la machine à vecteurs de support. Il s'agit de la situation où la classification est totalement précise et où il n'y a pas de fonction de perte, c'est-à-dire que la valeur de perte est de 0. Il suffit de trouver le plan exactement au milieu de deux classes hétérogènes. L'opposé de la marge dure est la marge souple. La marge souple signifie autoriser une certaine quantité d’erreur de classification d’échantillon, où la fonction d’optimisation se compose de deux parties, […]
Le lissage est une méthode de traitement de données couramment utilisée.
La variable de segmentation est la variable de référence sélectionnée lors de la segmentation spatiale. Il s'agit d'un type de variable utilisé pour segmenter les problèmes de classification afin d'obtenir une classification optimale.
La machine à vecteurs de support (SVM) est une méthode d'apprentissage supervisé pour le traitement des données dans l'analyse de classification et de régression.
La maximisation des marges souples est une méthode d’optimisation qui utilise des marges souples pour trouver la solution optimale.
L’apprentissage par transfert est une méthode qui consiste à utiliser les connaissances existantes pour acquérir de nouvelles connaissances.
L'intelligence artificielle, également connue sous le nom d'intelligence artificielle, fait référence à l'intelligence affichée par les machines fabriquées par les humains. Habituellement, l’intelligence artificielle fait référence à la technologie permettant de présenter l’intelligence humaine à travers des programmes informatiques ordinaires. Thèmes de recherche Les axes de recherche actuels en intelligence artificielle ont été divisés en plusieurs sous-domaines. Les chercheurs espèrent que les systèmes d’intelligence artificielle devraient avoir certaines capacités spécifiques, […]
Le suréchantillonnage fait référence à l’augmentation du nombre d’échantillons d’une certaine classe dans l’ensemble d’apprentissage pour réduire le déséquilibre des classes.
Le gradient moyen fait référence à la valeur moyenne du taux de changement de niveaux de gris. Il est utilisé pour indiquer la clarté de l'image. Cela est dû à la différence évidente de niveaux de gris près des limites ou des ombres de l'image. Il reflète le taux de changement de contraste des petits détails de l'image, c'est-à-dire le taux de changement de densité dans la direction multidimensionnelle de l'image, et représente la clarté relative de l'image. Le gradient moyen est l'image […]
L'analyse sémantique latente traite principalement de la relation derrière les mots, plutôt que de la base des définitions du dictionnaire. Cette relation est basée sur l’environnement d’utilisation réel des mots et sert de référence de base. Cette idée est née chez les psycholinguistes qui croyaient qu’il existait un mécanisme commun parmi les centaines de langues du monde, et qui concluaient que toute personne parlant une langue particulière […]
Le minimum global fait référence au plus petit point parmi tous les points. Le concept relatif est le minimum local. Si la fonction d’erreur n’a qu’un seul minimum local, alors le minimum local à ce moment est le minimum global. Si la fonction d’erreur comporte plusieurs minima locaux, il ne peut pas être garanti que la solution trouvée soit le minimum global. Méthodes pour trouver le minimum global Trouver plusieurs minima locaux et prendre le minimum parmi eux […]
Une fonction d'activation est une fonction qui s'exécute sur un neurone dans un réseau neuronal et est responsable de la cartographie de l'entrée du neurone à sa sortie.
L'optimisation globale est une branche des mathématiques appliquées et de l'analyse numérique qui tente de trouver le minimum ou le maximum d'une fonction sur un ensemble donné. On le décrit souvent comme un problème de minimisation, car la maximisation des fonctions à valeurs réelles peut être dérivée de manière similaire à la minimisation. La différence entre l’optimisation globale et l’optimisation locale est que la première se concentre sur la recherche de la valeur extrême sur un ensemble donné, […]