百科事典

データグラビティとは、データ本体がアプリケーション、サービス、その他のデータを引き寄せる能力を指します。 データの質と量は時間の経過とともに増加し、このデータに接続するアプリケーションやサービスがさらに増えます。

勾配累積は、ニューラル ネットワークのトレーニングに使用されるサンプルのバッチを、順番に実行されるいくつかの小さなバッチ サンプルに分割するメカニズムです。

モデル検証は、トレーニング データ セットとは独立したデータ セットに対する機械学習 (ML) モデルのパフォーマンスを評価するプロセスです。これは、モデルを新しい未知のデータに一般化し、トレーニング データを過剰適合させないようにするのに役立つため、ML モデル開発プロセスの重要なステップです。

プールベースのサンプリングは、ラベル付けに有益な例を選択する一般的なアクティブ ラーニング手法です。ラベルのないデータのプールが作成され、モデルはヒューマン アノテーションに最も有益な例を選択します。これらのラベル付きサンプルはモデルを再トレーニングするために使用され、プロセスが繰り返されます。

Bot Frame フレームワークは、ロボットを構築し、その動作を定義するために使用されます。

モデル パラメーターは、機械学習 (ML) モデルの動作を制御する変数です。彼らは多くの場合、データに基づいてトレーニングされ、新しい予期せぬ事実に基づいて予測や選択を行います。モデル パラメーターは、モデルの精度とパフォーマンスに大きな影響を与えるため、機械学習モデルの重要な部分です。

ノイズは、画像またはビデオ内の不要な情報または無関係な情報を表すために使用される用語です。センサーのノイズ、圧縮アーティファクト、照明条件や反射などの環境要因など、さまざまな要因によって発生する可能性があります。ノイズは画像やビデオの品質と鮮明さに重大な影響を与える可能性があり、画像コンテンツの正確な分析や解釈がより困難になる可能性があります。

パノラマ セグメンテーションは、画像またはビデオをさまざまなオブジェクトとそれぞれの部分にセグメント化し、各ピクセルに対応するカテゴリのラベルを付けることを含むコンピューター ビジョン タスクです。

機械学習では、タイプ 2 エラー (偽陰性とも呼ばれます) は、特定の条件または属性が実際には存在するのに存在しないとモデルが誤って予測した場合に発生します。

機械学習では、偽陽性 (FP) とも呼ばれるタイプ 1 エラーは、条件または属性が存在しないときにモデルがその存在を誤って予測した場合に発生します。

事前トレーニング済みモデルは、大規模なデータセットでトレーニングされた機械学習 (ML) モデルであり、特定のタスクに合わせて微調整できます。事前トレーニングされたモデルは、ML モデル開発の開始点としてよく使用され、特定のタスクに合わせて微調整できる重みとバイアスの初期セットを提供します。

モデル精度 (モデル精度とも呼ばれる) は、データに基づいて予測や意思決定を行う機械学習 (ML) モデルの能力の尺度です。これは、ML モデルのパフォーマンスを評価するために使用される一般的な指標であり、さまざまなモデルのパフォーマンスを比較したり、特定のタスクに対する特定のモデルの有効性を評価したりするために使用できます。

数値解析として知られる数学の分野において、多項式補間は、多項式を使用して特定のデータ セットを補間するプロセスです。言い換えれば、特定のデータ セット (サンプリングからのデータなど) について、目標はこれらのデータ ポイントを偶然通過する多項式を見つけることです。

機械学習 (ML) の分野において、補間とは、既知のデータ ポイント間のポイントにおける関数またはデータ セットの値を推定するプロセスです。補間は、データセット内の欠損値を埋めたり、データ内のノイズや不規則性を除去したりするためによく使用されます。

機械学習 (ML) では、学習率は、トレーニング中にモデル パラメーターが更新されるステップ サイズを決定するハイパーパラメーターです。

キーポイントは、コンピューター ビジョンの分野では非常に一般的な概念です。キーポイントは、シーン内のオブジェクトや特徴を識別、説明、または一致させるために使用できる、画像またはビデオ内の固有または顕著な点です。

平均精度 (mAP) は、機械学習の物体検出タスクで広く使用されているパフォーマンス メトリックです。

機械学習 (ML) のライフ サイクルは、現実世界の問題を解決するために ML モデルを開発およびデプロイするプロセスです。通常、これには、データの準備、モデルのトレーニングと評価、モデルの展開、モデルの監視とメンテナンスを含む一連の手順が含まれます。

機械学習 (ML) の分野では、ラベル付けエラーとは、データセット内のサンプルに割り当てられたラベルが正しくない、または正しくないことを指します。

コンピュータ ビジョンにおけるラベルは、画像またはビデオ内のオブジェクトまたは対象領域に割り当てられたテキストまたは数値の注釈を指します。

Intersection over Union (IOU) は、注釈、セグメンテーション、およびオブジェクト検出アルゴリズムの精度を評価するために使用されるパフォーマンス メトリックです。データセット内の予測された境界ボックスまたはセグメント化された領域と、グラウンド トゥルースの境界ボックスまたは注釈付き領域の間の重複を定量化します。

インスタンス セグメンテーションは、画像内の個々のオブジェクトを識別してセグメント化するコンピューター ビジョン技術です。セマンティクス (道路、空、人物など) に基づいてピクセルをグループ化するセマンティック セグメンテーションとは異なり、インスタンス セグメンテーションは、同じオブジェクト クラスの複数のオブジェクトを区別します。

コンピューター ビジョンでは、グレースケール イメージは、全スペクトルではなく、ある範囲のグレー レベルを使用してシーンやオブジェクトを表現します。グレースケール イメージは通常、パンクロマティック イメージをシングル チャネル イメージに変換することによって作成されます。各ピクセルの強度は 0 (黒) から 255 (白) までの単一の値で表されます。

機械学習では、特徴とは、モデルのトレーニングに使用される入力変数または属性を指します。これらの特徴は、分析対象のデータの特性や属性を表すために使用され、モデルによって予測や分類を行うために使用されます。