La fonction noyau gaussien est une fonction noyau couramment utilisée qui peut mapper des données de dimension finie à un espace de grande dimension. La fonction noyau gaussien est définie comme suit : $latex {k{ \left( {x,x\text{'}} \right) }\text{ }=\text{ }e\m […]

Le modèle de mélange gaussien GMM est basé sur la fonction de densité de probabilité gaussienne, qui peut approximer en douceur la distribution de densité de n'importe quelle forme. Étant donné que GMM possède plusieurs modèles et ses caractéristiques de division fine, il peut être utilisé pour la modélisation d'objets complexes. Supposons qu'il existe un lot de données d'observation $latex {X\text{ }=\text […]

Le modèle linéaire généralisé est un modèle de régression linéaire flexible qui permet à la variable dépendante d'avoir une distribution autre que la distribution normale. Définition Le modèle linéaire généralisé est une extension de la régression des moindres carrés simples. Supposons que chaque observation de données $latex {Y}$ provient d'une distribution familiale exponentielle. Alors la moyenne de la distribution est […]

Le biais inductif peut être considéré comme un ensemble d’hypothèses dans l’apprentissage automatique. Elle est utilisée comme hypothèse nécessaire de la fonction objective dans l’apprentissage automatique. L’exemple le plus typique est le rasoir d’Occam. Le biais inductif est basé sur la logique mathématique, mais dans les applications pratiques, le biais inductif d’un apprenant peut n’être qu’une description très approximative, voire plus simple. En comparaison, la valeur théorique […]

La méthode du noyau est une sorte d’algorithme de reconnaissance de formes, qui vise à trouver et à apprendre la relation mutuelle dans un ensemble de données. La méthode du noyau est basée sur l'hypothèse suivante : « Un ensemble de points qui ne peut pas être linéairement séparé dans un espace de faible dimension peut devenir linéairement séparable après avoir été transformé en un ensemble de points dans un espace de grande dimension. » Connaissances de base des méthodes du noyau : les modèles dans les données brutes peuvent être […]

L'entropie de Rayleigh généralisée peut être vue comme une extension de l'entropie de Rayleigh, qui fait référence à la fonction R(A,B,x) : $latex {R{ \left( {A,B,x} \right) }\text{ }=\text{ }\frac{{x\mathop{{}}\nolim […]

La programmation logique inductive (ILP) est une méthode d'apprentissage de règles symboliques qui introduit l'imbrication de fonctions et d'expressions logiques dans l'apprentissage de règles du premier ordre et utilise la logique du premier ordre comme langage d'expression. L’ILP permet aux systèmes d’apprentissage automatique d’avoir des capacités expressives plus puissantes. En même temps, il peut être considéré comme une application de l’apprentissage automatique, principalement utilisée pour résoudre des problèmes basés sur l’arrière-plan […]

L'astuce du noyau est une méthode de calcul direct de $latex \langle\phi(x), \phi(z)\rangle $ en utilisant la fonction noyau pour éviter de calculer $latex \phi(x) $ et $latex \phi(z) $ séparément, accélérant ainsi le calcul de la méthode du noyau […]

Le réseau neuronal récursif est une méthode d'apprentissage de représentation qui peut mapper des mots, des phrases, des paragraphes et des articles dans le même espace vectoriel en fonction de leur sémantique, c'est-à-dire qu'il peut représenter des informations combinables (structure arborescente/graphique) sous forme de vecteurs significatifs.

Une corrélation négative signifie que les deux colonnes de variables changent dans des directions opposées. Lorsqu'une colonne de variables change, l'autre colonne de variables change dans la tendance opposée de la variable précédente.

Un arbre de décision univarié est un arbre de décision avec une seule variable. Autrement dit, chaque fois qu'un nœud se divise, une seule entité de l'ensemble des caractéristiques sera sélectionnée, ce qui signifie également que la limite de classification de l'arbre de décision est composée de plusieurs segments parallèles à l'axe des coordonnées.

La log-vraisemblance négative est une fonction de perte utilisée pour résoudre les problèmes de classification. Il s'agit d'une forme logarithmique naturelle de la fonction de vraisemblance et peut être utilisée pour mesurer la similitude entre deux distributions de probabilité. Le signe négatif est utilisé pour faire correspondre la valeur de vraisemblance maximale à la perte minimale. Il s’agit d’une forme de fonction courante dans l’estimation du maximum de vraisemblance et les domaines connexes. Dans l’apprentissage automatique, il est courant d’utiliser l’optimisation […]

L'optimisation non convexe est une méthode dans le domaine de l'apprentissage automatique et du traitement du signal. Désigne une méthode qui résout directement le problème ou optimise directement la formule non convexe sans utiliser de relaxation pour les problèmes non convexes.

Un modèle non linéaire fait référence à une expression mathématique dans laquelle il existe une relation non linéaire entre la variable indépendante et la variable dépendante. Par rapport aux modèles linéaires, la variable dépendante et la variable indépendante ne peuvent pas être exprimées sous forme de correspondance linéaire dans l'espace de coordonnées.

La distance non métrique fait référence à la distance entre les paramètres qui ne satisfait pas la directivité.

La factorisation matricielle non négative (NMF) est une méthode de décomposition matricielle dans laquelle tous les éléments satisfont la contrainte non négative.

La norme est une fonction de base en mathématiques. Il est souvent utilisé pour mesurer la longueur ou la taille d'un vecteur dans un espace vectoriel (ou une matrice). La norme des paramètres du modèle peut être utilisée comme fonction de régularisation.

L'ODE est la stratégie la plus couramment utilisée pour les classificateurs bayésiens semi-naïfs. La dépendance dite unique consiste à supposer que chaque attribut dépend au plus d'un autre attribut extérieur à la catégorie.

La fonction noyau polynomiale fait référence à une fonction noyau exprimée sous forme polynomiale. Il s'agit d'une fonction noyau non standard adaptée aux données normalisées orthogonales. Sa forme spécifique est illustrée sur la figure.

Le principe des interprétations multiples est l’idée que toutes les hypothèses cohérentes avec les observations empiriques doivent être conservées.

Le partitionnement par hyperplan signifie que si deux ensembles convexes disjoints sont tous deux ouverts, alors il existe un hyperplan qui peut les partitionner.

L'échantillonnage stratifié est une méthode d'échantillonnage qui implique une stratification avant l'extraction. C'est une méthode d'échantillonnage couramment utilisée en statistique.

L’apprentissage symbolique fait référence aux méthodes d’apprentissage automatique qui simulent fonctionnellement les capacités d’apprentissage humaines.

Le symbolisme est une école de pensée dans le domaine de l’intelligence artificielle qui croit en la logique mathématique.

La fonction noyau gaussien est une fonction noyau couramment utilisée qui peut mapper des données de dimension finie à un espace de grande dimension. La fonction noyau gaussien est définie comme suit : $latex {k{ \left( {x,x\text{'}} \right) }\text{ }=\text{ }e\m […]

Le modèle de mélange gaussien GMM est basé sur la fonction de densité de probabilité gaussienne, qui peut approximer en douceur la distribution de densité de n'importe quelle forme. Étant donné que GMM possède plusieurs modèles et ses caractéristiques de division fine, il peut être utilisé pour la modélisation d'objets complexes. Supposons qu'il existe un lot de données d'observation $latex {X\text{ }=\text […]

Le modèle linéaire généralisé est un modèle de régression linéaire flexible qui permet à la variable dépendante d'avoir une distribution autre que la distribution normale. Définition Le modèle linéaire généralisé est une extension de la régression des moindres carrés simples. Supposons que chaque observation de données $latex {Y}$ provient d'une distribution familiale exponentielle. Alors la moyenne de la distribution est […]

Le biais inductif peut être considéré comme un ensemble d’hypothèses dans l’apprentissage automatique. Elle est utilisée comme hypothèse nécessaire de la fonction objective dans l’apprentissage automatique. L’exemple le plus typique est le rasoir d’Occam. Le biais inductif est basé sur la logique mathématique, mais dans les applications pratiques, le biais inductif d’un apprenant peut n’être qu’une description très approximative, voire plus simple. En comparaison, la valeur théorique […]

La méthode du noyau est une sorte d’algorithme de reconnaissance de formes, qui vise à trouver et à apprendre la relation mutuelle dans un ensemble de données. La méthode du noyau est basée sur l'hypothèse suivante : « Un ensemble de points qui ne peut pas être linéairement séparé dans un espace de faible dimension peut devenir linéairement séparable après avoir été transformé en un ensemble de points dans un espace de grande dimension. » Connaissances de base des méthodes du noyau : les modèles dans les données brutes peuvent être […]

L'entropie de Rayleigh généralisée peut être vue comme une extension de l'entropie de Rayleigh, qui fait référence à la fonction R(A,B,x) : $latex {R{ \left( {A,B,x} \right) }\text{ }=\text{ }\frac{{x\mathop{{}}\nolim […]

La programmation logique inductive (ILP) est une méthode d'apprentissage de règles symboliques qui introduit l'imbrication de fonctions et d'expressions logiques dans l'apprentissage de règles du premier ordre et utilise la logique du premier ordre comme langage d'expression. L’ILP permet aux systèmes d’apprentissage automatique d’avoir des capacités expressives plus puissantes. En même temps, il peut être considéré comme une application de l’apprentissage automatique, principalement utilisée pour résoudre des problèmes basés sur l’arrière-plan […]

L'astuce du noyau est une méthode de calcul direct de $latex \langle\phi(x), \phi(z)\rangle $ en utilisant la fonction noyau pour éviter de calculer $latex \phi(x) $ et $latex \phi(z) $ séparément, accélérant ainsi le calcul de la méthode du noyau […]

Le réseau neuronal récursif est une méthode d'apprentissage de représentation qui peut mapper des mots, des phrases, des paragraphes et des articles dans le même espace vectoriel en fonction de leur sémantique, c'est-à-dire qu'il peut représenter des informations combinables (structure arborescente/graphique) sous forme de vecteurs significatifs.

Une corrélation négative signifie que les deux colonnes de variables changent dans des directions opposées. Lorsqu'une colonne de variables change, l'autre colonne de variables change dans la tendance opposée de la variable précédente.

Un arbre de décision univarié est un arbre de décision avec une seule variable. Autrement dit, chaque fois qu'un nœud se divise, une seule entité de l'ensemble des caractéristiques sera sélectionnée, ce qui signifie également que la limite de classification de l'arbre de décision est composée de plusieurs segments parallèles à l'axe des coordonnées.

La log-vraisemblance négative est une fonction de perte utilisée pour résoudre les problèmes de classification. Il s'agit d'une forme logarithmique naturelle de la fonction de vraisemblance et peut être utilisée pour mesurer la similitude entre deux distributions de probabilité. Le signe négatif est utilisé pour faire correspondre la valeur de vraisemblance maximale à la perte minimale. Il s’agit d’une forme de fonction courante dans l’estimation du maximum de vraisemblance et les domaines connexes. Dans l’apprentissage automatique, il est courant d’utiliser l’optimisation […]

L'optimisation non convexe est une méthode dans le domaine de l'apprentissage automatique et du traitement du signal. Désigne une méthode qui résout directement le problème ou optimise directement la formule non convexe sans utiliser de relaxation pour les problèmes non convexes.

Un modèle non linéaire fait référence à une expression mathématique dans laquelle il existe une relation non linéaire entre la variable indépendante et la variable dépendante. Par rapport aux modèles linéaires, la variable dépendante et la variable indépendante ne peuvent pas être exprimées sous forme de correspondance linéaire dans l'espace de coordonnées.

La distance non métrique fait référence à la distance entre les paramètres qui ne satisfait pas la directivité.

La factorisation matricielle non négative (NMF) est une méthode de décomposition matricielle dans laquelle tous les éléments satisfont la contrainte non négative.

La norme est une fonction de base en mathématiques. Il est souvent utilisé pour mesurer la longueur ou la taille d'un vecteur dans un espace vectoriel (ou une matrice). La norme des paramètres du modèle peut être utilisée comme fonction de régularisation.

L'ODE est la stratégie la plus couramment utilisée pour les classificateurs bayésiens semi-naïfs. La dépendance dite unique consiste à supposer que chaque attribut dépend au plus d'un autre attribut extérieur à la catégorie.

La fonction noyau polynomiale fait référence à une fonction noyau exprimée sous forme polynomiale. Il s'agit d'une fonction noyau non standard adaptée aux données normalisées orthogonales. Sa forme spécifique est illustrée sur la figure.

Le principe des interprétations multiples est l’idée que toutes les hypothèses cohérentes avec les observations empiriques doivent être conservées.

Le partitionnement par hyperplan signifie que si deux ensembles convexes disjoints sont tous deux ouverts, alors il existe un hyperplan qui peut les partitionner.

L'échantillonnage stratifié est une méthode d'échantillonnage qui implique une stratification avant l'extraction. C'est une méthode d'échantillonnage couramment utilisée en statistique.

L’apprentissage symbolique fait référence aux méthodes d’apprentissage automatique qui simulent fonctionnellement les capacités d’apprentissage humaines.

Le symbolisme est une école de pensée dans le domaine de l’intelligence artificielle qui croit en la logique mathématique.