ハイブリッド コンピューティングは、従来のハード コンピューティングと新しいソフト コンピューティングを統合したコンピューティング手法であり、それぞれの利点を活かして限界を克服できます。 ハードコンピューティングの主な特徴: 問題の標準化された数学的モデルを確立するのが容易である; 確立された数学的モデルは解決が容易であり、高い安定性を達成できる。 柔らかい[…]

ガウス カーネル関数は、限られた次元のデータを高次元の空間にマッピングできる一般的に使用されるカーネル関数です。 $latex {k{ \left( {x,x\text{'}} \right) ) } \text{ }=\text{ }e\m […]

ガウス混合モデル GMM はガウス確率密度関数に基づいており、あらゆる形状の密度分布を滑らかに近似することができます。GMM にはさまざまなモデルがあるため、複雑なオブジェクトのモデル化に使用できます。 観測データのバッチ $latex {X\text{ }=\text […] があるとします。

一般化線形モデルは、従属変数の偏差分布が正規分布以外の分布形式を持つことを可能にする柔軟な線形回帰モデルです。 一般化線形モデルの定義は、単純な最小二乗回帰の拡張であると仮定します。各データ $latex {Y}$ の観測値は、指数分布の平均値です。

帰納的バイアスは機械学習における一連の仮定として見ることができ、機械学習における目的関数に必要な仮定として使用されます。最も典型的な例はオッカムの剃刀です。 帰納的バイアスは数学的論理に基づいていますが、実際の応用では、学習者の帰納的バイアスは非常に大まかな説明にすぎないか、あるいは理論値に比べればさらに単純である可能性があります。

カーネル法はパターン認識アルゴリズムの一種であり、その目的は、一連のデータ内の相互関係を見つけて学習することです。 カーネル法は、「低次元空間では線形分離できない点集合も、高次元空間では点集合に変換すると線形分離可能になる可能性がある」という仮定に基づいています。 カーネル メソッドの基本的な理解: 生データのパターンは […]

一般化レイリー エントロピーは、関数 R(A,B,x) を参照するレイリー エントロピーの拡張として見ることができます。 $latex {R{ \left( {A,B,x} \right) }\text{ }= \text{ }\frac{{x\mathop{{}}\nolim […]

帰納的論理プログラミング (ILP) は、一次ルール学習に関数と論理式の入れ子を導入し、一次論理を式言語として使用する記号ルール学習方法です。 ILP は、機械学習システムがより強力な表現力を持つことを可能にすると同時に、主にバックグラウンドに基づいて問題を解決するために使用される機械学習のアプリケーションとみなすことができます。

カーネルのトリックは、カーネル関数を使用して $latex \langle\phi(x)、\phi(z)\rangle $ を直接計算し、それぞれ $latex \phi(x) $ および $latex \phi(z) $ の計算を回避することです。カーネルメソッド計算の高速化 […]

リカレント ニューラル ネットワークは、単語、文章、段落、記事を意味論に従って同じベクトル空間にマッピングできる表現学習手法です。つまり、組み合わせ可能な (ツリー/グラフ構造) 情報を個別のベクトルとして表現できます。

負の相関とは、変数の 2 つの列が逆方向に変化することを意味します。変数の 1 つの列が変化すると、変数のもう 1 つの列も前の変数とは逆の方向に変化します。

一変量決定木とは、変数が 1 つだけの決定木を指します。つまり、ノードが分割されるたびに、特徴セット内の特徴が 1 つだけ選択されます。これは、決定木の分類境界が座標軸に平行な複数のセグメントで構成されていることも意味します。

負の対数尤度は、分類問題を解くために使用される損失関数であり、尤度関数の自然対数形式であり、その負の符号により、尤度の最大値が最小値に対応します。損失であり、最尤推定および関連分野で一般的な関数形式です。 機械学習では、最適化を使用するのが一般的です […]

非凸最適化は、機械学習と信号処理の分野の手法です。非凸問題に対して緩和処理を用いずに、原因対象を直接解決したり、非凸式を直接最適化したりする手法を指します。

非線形モデルとは、独立変数と従属変数間の非線形関係を持つ数式を指します。線形モデルと比較すると、従属変数と独立変数の間の関係は、座標空間内で線形対応として表現できません。

非計量距離とは、直接性を満たさないパラメータ間の距離を指します。

非負行列因数分解 (NMF) は、すべての要素が非負制約を満たす行列因数分解方法です。

ノルムは数学の基本的な関数です。ベクトル空間 (または行列) 内のベクトルの長さまたはサイズを測定するためによく使用されます。モデルパラメータのノルムは正則化関数として使用できます。

独立依存推定 (ODE) は、半単純ベイジアン分類器で最も一般的に使用される戦略です。いわゆる独立依存とは、各属性がカテゴリ外の他の属性に最大 1 つだけ依存することを意味します。

多項式カーネル関数とは、多項式形式で表現されたカーネル関数を指します。これは、直交正規化データに適した非標準カーネル関数です。その具体的な形式を図に示します。

多重説明の原理は、経験的観察と一致するすべての仮説を保持することを主張する考え方です。

超平面の分割とは、2 つの互いに素な凸集合が開いている場合、それらを分離できる超平面が存在することを意味します。

層化サンプリングは、まず層化してから抽出するサンプリング方法です。統計学でよく使用されるサンプル抽出方法です。

シンボリック学習とは、人間の学習能力を機能的にシミュレートする機械学習手法を指します。

ハイブリッド コンピューティングは、従来のハード コンピューティングと新しいソフト コンピューティングを統合したコンピューティング手法であり、それぞれの利点を活かして限界を克服できます。 ハードコンピューティングの主な特徴: 問題の標準化された数学的モデルを確立するのが容易である; 確立された数学的モデルは解決が容易であり、高い安定性を達成できる。 柔らかい[…]

ガウス カーネル関数は、限られた次元のデータを高次元の空間にマッピングできる一般的に使用されるカーネル関数です。 $latex {k{ \left( {x,x\text{'}} \right) ) } \text{ }=\text{ }e\m […]

ガウス混合モデル GMM はガウス確率密度関数に基づいており、あらゆる形状の密度分布を滑らかに近似することができます。GMM にはさまざまなモデルがあるため、複雑なオブジェクトのモデル化に使用できます。 観測データのバッチ $latex {X\text{ }=\text […] があるとします。

一般化線形モデルは、従属変数の偏差分布が正規分布以外の分布形式を持つことを可能にする柔軟な線形回帰モデルです。 一般化線形モデルの定義は、単純な最小二乗回帰の拡張であると仮定します。各データ $latex {Y}$ の観測値は、指数分布の平均値です。

帰納的バイアスは機械学習における一連の仮定として見ることができ、機械学習における目的関数に必要な仮定として使用されます。最も典型的な例はオッカムの剃刀です。 帰納的バイアスは数学的論理に基づいていますが、実際の応用では、学習者の帰納的バイアスは非常に大まかな説明にすぎないか、あるいは理論値に比べればさらに単純である可能性があります。

カーネル法はパターン認識アルゴリズムの一種であり、その目的は、一連のデータ内の相互関係を見つけて学習することです。 カーネル法は、「低次元空間では線形分離できない点集合も、高次元空間では点集合に変換すると線形分離可能になる可能性がある」という仮定に基づいています。 カーネル メソッドの基本的な理解: 生データのパターンは […]

一般化レイリー エントロピーは、関数 R(A,B,x) を参照するレイリー エントロピーの拡張として見ることができます。 $latex {R{ \left( {A,B,x} \right) }\text{ }= \text{ }\frac{{x\mathop{{}}\nolim […]

帰納的論理プログラミング (ILP) は、一次ルール学習に関数と論理式の入れ子を導入し、一次論理を式言語として使用する記号ルール学習方法です。 ILP は、機械学習システムがより強力な表現力を持つことを可能にすると同時に、主にバックグラウンドに基づいて問題を解決するために使用される機械学習のアプリケーションとみなすことができます。

カーネルのトリックは、カーネル関数を使用して $latex \langle\phi(x)、\phi(z)\rangle $ を直接計算し、それぞれ $latex \phi(x) $ および $latex \phi(z) $ の計算を回避することです。カーネルメソッド計算の高速化 […]

リカレント ニューラル ネットワークは、単語、文章、段落、記事を意味論に従って同じベクトル空間にマッピングできる表現学習手法です。つまり、組み合わせ可能な (ツリー/グラフ構造) 情報を個別のベクトルとして表現できます。

負の相関とは、変数の 2 つの列が逆方向に変化することを意味します。変数の 1 つの列が変化すると、変数のもう 1 つの列も前の変数とは逆の方向に変化します。

一変量決定木とは、変数が 1 つだけの決定木を指します。つまり、ノードが分割されるたびに、特徴セット内の特徴が 1 つだけ選択されます。これは、決定木の分類境界が座標軸に平行な複数のセグメントで構成されていることも意味します。

負の対数尤度は、分類問題を解くために使用される損失関数であり、尤度関数の自然対数形式であり、その負の符号により、尤度の最大値が最小値に対応します。損失であり、最尤推定および関連分野で一般的な関数形式です。 機械学習では、最適化を使用するのが一般的です […]

非凸最適化は、機械学習と信号処理の分野の手法です。非凸問題に対して緩和処理を用いずに、原因対象を直接解決したり、非凸式を直接最適化したりする手法を指します。

非線形モデルとは、独立変数と従属変数間の非線形関係を持つ数式を指します。線形モデルと比較すると、従属変数と独立変数の間の関係は、座標空間内で線形対応として表現できません。

非計量距離とは、直接性を満たさないパラメータ間の距離を指します。

非負行列因数分解 (NMF) は、すべての要素が非負制約を満たす行列因数分解方法です。

ノルムは数学の基本的な関数です。ベクトル空間 (または行列) 内のベクトルの長さまたはサイズを測定するためによく使用されます。モデルパラメータのノルムは正則化関数として使用できます。

独立依存推定 (ODE) は、半単純ベイジアン分類器で最も一般的に使用される戦略です。いわゆる独立依存とは、各属性がカテゴリ外の他の属性に最大 1 つだけ依存することを意味します。

多項式カーネル関数とは、多項式形式で表現されたカーネル関数を指します。これは、直交正規化データに適した非標準カーネル関数です。その具体的な形式を図に示します。

多重説明の原理は、経験的観察と一致するすべての仮説を保持することを主張する考え方です。

超平面の分割とは、2 つの互いに素な凸集合が開いている場合、それらを分離できる超平面が存在することを意味します。

層化サンプリングは、まず層化してから抽出するサンプリング方法です。統計学でよく使用されるサンプル抽出方法です。

シンボリック学習とは、人間の学習能力を機能的にシミュレートする機械学習手法を指します。