百科事典

堅牢性とは、コンピュータ システムが実行中にエラーを処理できる能力、および入力や操作などで異常が発生した場合でもアルゴリズムが正常に動作し続ける能力を指します。

教師あり学習は、出力が入力に関連する機械学習方法です。パターンはトレーニング データから学習または確立でき、このパターンに基づいて新しいインスタンスを推測できます。

構造リスクは、経験的リスクと期待されるリスクの妥協点であり、構造的リスクを取得するために経験的リスク関数の後に正則化項 (ペナルティ項) が追加されます。

構造的リスクの最小化 (SRM) は、機械学習における帰納的原理です。過学習を防ぐための戦略としてよく使用されます。

スクイーズ機能は、広い範囲の入力を狭い範囲に押し込む機能です。アクティベーション関数としてよく使用されます。

加重投票は、重みを考慮した投票方法です。

最近傍コンポーネント分析 (NCA) は、KNN (K 最近傍) に関連付けられた距離測定学習方法であり、教師あり学習方法です。 2004 年に Goldberger らによって初めて提案されました。

クラス内分散行列は、平均を中心とした各サンプル ポイントの分散を表します。

わかりやすさとは、何かの理解しやすさ、主に読者にとっての理解しやすさを指します。

極性検出は、自然言語におけるテキストの感情的な極性を分類するプロセスです。

活性化関数は、ニューロンが他のニューロンの活動に基づいて活性化値をどのように変更するかを定義する、ニューラル ネットワーク モデルでよく使用される動的原理です。 一般的な活性化関数はネットワーク内の重みに依存するため、非線形要素が導入される可能性があり、線形方程式では解決できない問題を解決するためによく使用されます。

解析木は具体構文木とも呼ばれ、構文解析結果の表現形式の一つであり、言語の文法構造をツリー状に表現したものです。

Structure は、ニューラル ネットワークの分野で通常使用される、ニューラル ネットワークのトポロジー図を表示する方法です。 ニューラル ネットワークでは、変数はニューロン接続の重みと活性化値になります。

分析勾配とは、バックプロパゲーションを使用して、ニューラル ネットワーク アルゴリズムの各パラメーターに関する目的関数の勾配を計算することを指します。

近似または近似とは、あるものが別のものに似ているが、まったく同じではないことを意味します。

近似ベイズ計算 (ABC) は、モデル パラメーターの事後分布を推定するために使用できるベイズ統計に基づく計算手法です。

近似推論手法とは、大量のデータをサンプリングして学習し、仮説検証ロジックを使用して実際のモデルを継続的に近似することを指します。

数学における距離行列は、一連の点間の距離を含む行列 (つまり、2 次元配列) です。

Plug and Play Generative Network (PPGN) は、2016 年に Nguyen らによって提案されたモデルです。

列名属性はデータの「名前関連」特性を指し、対応する値は何らかのシンボルまたは物の名前です。

累積誤差バックプロパゲーションは、ターゲットの負の勾配の方向にパラメータを調整する勾配降下ベースの戦略を採用するニューラル ネットワーク アルゴリズムであり、その目標はトレーニング エラーを最小限に抑えることです。 「逆伝播アルゴリズム」とも呼ばれ、「BP アルゴリズム」とも呼ばれます。

関連するサンプルをグループにグループ化することは、通常、教師なし学習に使用されます。すべてのサンプルがグループ化されると、関係者はオプションで各クラスターに意味を割り当てることができます。 クラスタリング アルゴリズムは多数あります。たとえば、K 平均法アルゴリズムは、以下の図に示すように、重心への近さに基づいてサンプルをクラスタリングします。その後、研究者は次のことができます。

絶対多数決方式とは、有効投票数の半分以上の承認を必要とする投票方式であり、複数の分類器で特定のカテゴリを予測した場合、全体の半分を超える部分のみを予測します。 式で表すと次のようになります。 $latex {H{ \left( {x} \right) }\text{ […]

多様体学習はパターン認識の基本的な方法であり、観察された現象に基づいて物事の本質とデータを生成する固有の法則を見つけます。 多様体学習は、線形多様体学習アルゴリズムと非線形多様体学習アルゴリズムの 2 種類に分けられます。非線形多様体学習アルゴリズムには、アイソメトリック マッピング Isomap とラプラシアン固有マップ L が含まれます。