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。

テンソルは、いくつかのベクトル、スカラー、および他のテンソルの間の線形関係を表すために使用できる多線形関数です。

Wasserstein Generative Adversarial Network にはいくつかの利点があります。 ジェネレーターとディスクリミネーターのトレーニングの程度を慎重に調整することなく、不安定な GAN トレーニングの問題を解決します。 基本的にコラプス モードの問題を解決し、トレーニング プロセス中に生成されるサンプルの多様性を確保します。クロスエントロピー、許可などの問題があります[…]

ビタビ アルゴリズムは動的計画アルゴリズムです。

VC 次元は、バイナリ分類器の能力を測定するために使用されます。

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。

テンソルは、いくつかのベクトル、スカラー、および他のテンソルの間の線形関係を表すために使用できる多線形関数です。

Wasserstein Generative Adversarial Network にはいくつかの利点があります。 ジェネレーターとディスクリミネーターのトレーニングの程度を慎重に調整することなく、不安定な GAN トレーニングの問題を解決します。 基本的にコラプス モードの問題を解決し、トレーニング プロセス中に生成されるサンプルの多様性を確保します。クロスエントロピー、許可などの問題があります[…]

ビタビ アルゴリズムは動的計画アルゴリズムです。

VC 次元は、バイナリ分類器の能力を測定するために使用されます。