百科事典

固有分解は行列を固有値と固有ベクトルに分解して行列の積を表す方法ですが、固有分解できるのは対角化可能な行列のみです。 行列の乗算は変換に相当します。つまり、任意のベクトルを別の方向と長さの新しいベクトルに変換します。このプロセスでは、元のベクトルが回転、拡大、縮小されます。

アルゴリズムは、有限長のリストを表現する効率的な方法です。数学とコンピューター サイエンスでは、アルゴリズムは、明確に定義された特定の計算ステップのシーケンスと見なされます。

調和平均は平均計算方法であり、単純と加重の 2 つの形式に分けられます。加重調和平均は加重算術平均を変形したものです。多くの場合、各グループ内の特定の符号の数値合計 m だけがわかっていますが、全体のユニット数 f の情報が不足しているため、加重算術平均法をそのまま計算に使用することはできません。また、 […]

トライアンドエラーとは、試行錯誤を通じて問題を解決する手法です。

スラック変数は、分類にソフト マージン法を適用するときに追加される補助的な量です。これは、分類に対する外れ値の影響を解決するために導入されました。

確率的勾配降下法 (SGD) は、勾配降下法アルゴリズムの反復解法アイデアです。

サロゲート関数とは、対象となる関数が使用できない場合や、うまく動作しない場合に使用される関数です。

損失関数は、モデルの品質を測定および予測するために使用される尺度であり、モデルの予測値と真の値の間のギャップを反映します。これは、経験的リスク関数の中核部分であり、構造的リスク関数のコンポーネントです。 一般的な損失関数 Log 対数損失関数 2乗損失関数 指数関数損失関数 ヒンジ損失関数

特徴の選択は、特徴のサブセットを選択するプロセスであり、通常、モデルの構築に使用されます。その主な利点は次のとおりです: モデルの簡素化、汎用性の向上、および過学習の軽減。評価指標のうち、前者は新しい特徴サブセットの候補を提供し、後者はさまざまな特徴サブセットを評価します […]

目的関数とは、設計変数によって表される追求される目標の形状を指し、設計変数の関数です。

強化学習 (RL) は機械学習の重要な分野であり、複数の専門分野と分野が交わった結果です。その本質は、意思決定の問題を解決すること、つまり、自動的に意思決定を行い、継続的に意思決定を行うことです。

スコア関数は、選択したモデルで利用できる「スコア」のタイプです。たとえば、ターゲットの予測値、予測値の確率、または選択されたターゲット値の確率です。

特異値分解 (SVD) は重要な行列分解方法です。対称行列固有ベクトル分解の基礎はスペクトル解析ですが、特異値分解はスペクトル解析理論を任意の行列に拡張したものです。

ソフト投票は、加重平均確率投票とも呼ばれます。出力されたクラス確率を用いて分類する投票方法であり、重みを入力することで各クラスのクラス確率の加重平均を求め、より大きい値のクラスが選択されます。

スペクトル クラスタリング (SC) は、グラフ理論に基づいたクラスタリング手法です。重み付けされた無向グラフを 2 つ以上の最適なサブグラフに分割し、共通のクラスタリングの目的を達成するために、サブグラフの内部を可能な限り類似させ、サブグラフ間の距離を可能な限り遠くします。

ハード マージンは、サポート ベクター マシンでセグメンテーション超平面を選択するための基礎です。これは、分類が完全に正確で、損失関数がない状況、つまり損失値が 0 である状況を指します。必要なのは、 2 つの異種クラスの中央にある平面であり、ハード マージンはスペースです。スペースの反対はソフト スペースです。 ソフト マージンとは、最適化関数に次の 2 つの部分が含まれる場合、一定量のサンプル分類エラーを許容することを指します。

スムージングは一般的に使用されるデータ処理方法です。

セグメンテーション変数は、空間セグメンテーションを実行するときに選択される参照変数です。これは、最適な分類を実現するために分類問題をセグメント化するために使用される変数の一種です。

サポート ベクター マシン (SVM) は、分類および回帰分析でデータを処理するための教師あり学習手法です。

ソフト マージンの最大化は、ソフト マージンを使用して最適解を見つける最適化方法です。

転移学習は、既存の知識を使用して新しい知識を学習する方法です。

人工知能は、機械知能としても知られ、人間が作った機械によって表示される知能を指します。一般に、人工知能は、通常のコンピュータープログラムを通じて人間の知能を提示する技術を指します。 研究テーマ 人工知能の現在の研究方向は、いくつかのサブ分野に分かれています。研究者は、人工知能システムが特定の機能を備えていることを望んでいます。

オーバーサンプリングとは、クラスの不均衡を減らすために、トレーニング セット内のサンプルの特定のクラスのサンプル数を増やすことを指します。

平均階調とは、画像の境界付近や影の線の両側の階調の明らかな違いによる階調変化率の平均値を指します。 これは、画像内の細部のコントラストの変化率、つまり多次元方向の画像の濃度変化率を反映し、画像の相対的な鮮明さを表します。 平均的な勾配はイメージ […]