Wiki
Machine Learning Glossary: Explore definitions and explanations of key AI and ML concepts
特定用途向け集積回路、または略して ASIC は、さまざまな製品要件に従ってカスタマイズされた特別な仕様を持つ集積回路を指します。逆に、カスタマイズされていない集積回路は、特定用途向けの標準製品 (特定用途向け標準製品) の集積回路です。
インテリジェント・エージェントとは、自律的に動作できるソフトウェアまたはハードウェアの実体を指し、「エージェント」、「代理人」、「知性のある主体」などと訳されます。
オリジナルのサンプリング法は、有向グラフ モデルの基本的なサンプリング法であり、モデルによって表される結合分布からサンプルを生成することを指し、祖先サンプリング法とも呼ばれます。
異常検出とは、ほとんどのオブジェクトとは異なるオブジェクトを検出することです。実際には、外れ値を検出します。異常検出は逸脱検出と呼ばれることもあります。異常なオブジェクトは比較的まれです。
学習ルールは、ネットワーク内の重みが時間の経過とともにどのように調整されるかを表すニューラル ネットワーク モデルの概念です。これは一般に長期的な動的ルールとみなされます。
アクタークリティックアルゴリズムは、ポリシーネットワークと価値関数を組み合わせた強化学習アルゴリズムで、結果の報酬と罰の情報を使用して、さまざまな状態でさまざまなアクションを実行する確率を計算します。 AC アルゴリズムとも呼ばれます。
音響モデルのタスクは、モデルの音声波形を生成する確率である P(O|W) を計算することです。音響モデルは音声認識システムの最も重要な部分の 1 つであり、音声認識の計算オーバーヘッドの大部分を占め、音声認識システムのパフォーマンスを決定します。
ビット レート アダプティブ アルゴリズムは、ストリーミング ビット レートを自動的に調整するビデオ送信テクノロジです。主な調整要因は、ネットワークの状態またはクライアントの遅延です。
テンソル プロセッシング ユニット (TPU) は、機械学習専用に開発された特定用途向け集積回路です。
斜交決定木は多変量決定木とも呼ばれます。複数の属性の一次式をノードが評価基準とする決定木です。
順序のない属性とは、属性を順序どおりに配置できない状況を指します。
制限等長プロパティ (RIP) は、スパース ベクトルなどの問題を扱うときに、近直交行列の関係を記述するために使用されるプロパティです。
トレーニング サンプルは、トレーニング プロセス中にトレーニング用にマークされたインスタンスを指します。
サポート ベクターの拡張は、トレーニング サンプルを介したモデルの最適解のカーネル関数の拡張です。
疎とは、要素が 0 個の割合を多く占める状況を指します。
状態特性関数は、ノード上に定義された現在位置に依存する特性関数である。
真率 (TPR) は、実際の陽性サンプル数に対する陽性サンプル予測結果の数の比率です。
真のクラスとは、二値分類問題で正のクラスとして正しく判断されたサンプルを指します。
真陰性クラス (TN) は、二値分類問題で陰性クラスとして正しく判断されたサンプルを指します。
直接推論学習は、特定のトレーニング サンプルを観察することによって特定のテスト サンプルを予測する方法です。
閾値の移動とは、実際の状況に応じてカテゴリを分類するための閾値を調整することを指します。クラスの不均衡の問題を解決するためによく使用されます。
しきい値ロジック ユニット (TLU) は、ニューラル ネットワークの基本単位です。
閾値は臨界値または閾値とも呼ばれます。オブジェクトに特定の変化を引き起こすために必要な特定の条件の値であり、学術研究でよく使用される用語です。
最小二乗法は数学的な最適化手法です。二乗誤差の合計を最小限に抑えることで、データの最適な機能的一致を見つけます。
特定用途向け集積回路、または略して ASIC は、さまざまな製品要件に従ってカスタマイズされた特別な仕様を持つ集積回路を指します。逆に、カスタマイズされていない集積回路は、特定用途向けの標準製品 (特定用途向け標準製品) の集積回路です。
インテリジェント・エージェントとは、自律的に動作できるソフトウェアまたはハードウェアの実体を指し、「エージェント」、「代理人」、「知性のある主体」などと訳されます。
オリジナルのサンプリング法は、有向グラフ モデルの基本的なサンプリング法であり、モデルによって表される結合分布からサンプルを生成することを指し、祖先サンプリング法とも呼ばれます。
異常検出とは、ほとんどのオブジェクトとは異なるオブジェクトを検出することです。実際には、外れ値を検出します。異常検出は逸脱検出と呼ばれることもあります。異常なオブジェクトは比較的まれです。
学習ルールは、ネットワーク内の重みが時間の経過とともにどのように調整されるかを表すニューラル ネットワーク モデルの概念です。これは一般に長期的な動的ルールとみなされます。
アクタークリティックアルゴリズムは、ポリシーネットワークと価値関数を組み合わせた強化学習アルゴリズムで、結果の報酬と罰の情報を使用して、さまざまな状態でさまざまなアクションを実行する確率を計算します。 AC アルゴリズムとも呼ばれます。
音響モデルのタスクは、モデルの音声波形を生成する確率である P(O|W) を計算することです。音響モデルは音声認識システムの最も重要な部分の 1 つであり、音声認識の計算オーバーヘッドの大部分を占め、音声認識システムのパフォーマンスを決定します。
ビット レート アダプティブ アルゴリズムは、ストリーミング ビット レートを自動的に調整するビデオ送信テクノロジです。主な調整要因は、ネットワークの状態またはクライアントの遅延です。
テンソル プロセッシング ユニット (TPU) は、機械学習専用に開発された特定用途向け集積回路です。
斜交決定木は多変量決定木とも呼ばれます。複数の属性の一次式をノードが評価基準とする決定木です。
順序のない属性とは、属性を順序どおりに配置できない状況を指します。
制限等長プロパティ (RIP) は、スパース ベクトルなどの問題を扱うときに、近直交行列の関係を記述するために使用されるプロパティです。
トレーニング サンプルは、トレーニング プロセス中にトレーニング用にマークされたインスタンスを指します。
サポート ベクターの拡張は、トレーニング サンプルを介したモデルの最適解のカーネル関数の拡張です。
疎とは、要素が 0 個の割合を多く占める状況を指します。
状態特性関数は、ノード上に定義された現在位置に依存する特性関数である。
真率 (TPR) は、実際の陽性サンプル数に対する陽性サンプル予測結果の数の比率です。
真のクラスとは、二値分類問題で正のクラスとして正しく判断されたサンプルを指します。
真陰性クラス (TN) は、二値分類問題で陰性クラスとして正しく判断されたサンプルを指します。
直接推論学習は、特定のトレーニング サンプルを観察することによって特定のテスト サンプルを予測する方法です。
閾値の移動とは、実際の状況に応じてカテゴリを分類するための閾値を調整することを指します。クラスの不均衡の問題を解決するためによく使用されます。
しきい値ロジック ユニット (TLU) は、ニューラル ネットワークの基本単位です。
閾値は臨界値または閾値とも呼ばれます。オブジェクトに特定の変化を引き起こすために必要な特定の条件の値であり、学術研究でよく使用される用語です。
最小二乗法は数学的な最適化手法です。二乗誤差の合計を最小限に抑えることで、データの最適な機能的一致を見つけます。