이해성은 무엇인가를 이해하는 것이 얼마나 쉬운지를 나타내는 것으로, 주로 독자가 이해하기 쉬운지 여부를 나타냅니다.

극성 감지는 자연어 텍스트의 감정 극성을 분류하는 과정입니다.

활성화 함수는 신경망 모델에서 일반적으로 사용되는 동적 원리로, 뉴런이 다른 뉴런의 활동에 따라 활성화 값을 어떻게 변경하는지 정의합니다. 일반적인 활성화 함수는 네트워크의 가중치에 따라 달라지며, 이는 비선형적 요소를 도입할 수 있으며 일반적으로 선형 방정식으로 해결할 수 없는 문제를 해결하는 데 사용됩니다.

구문 트리는 구체적 구문 트리라고도 하며, 언어의 문법적 구조를 트리 형태로 표현한 구문 분석 결과를 나타낸 것입니다.

구조는 신경망 토폴로지 다이어그램을 표시하는 방법으로, 신경망 분야에서 일반적으로 사용됩니다. 신경망에서 변수는 뉴런 연결의 가중치와 활성화 값이 될 수 있습니다.

분석적 기울기는 신경망 알고리즘에서 역전파를 사용하여 각 매개변수에 대한 목적 함수의 기울기를 계산하는 것을 말합니다.

근사치 또는 근사화는 하나의 사물이 다른 사물과 유사하지만 정확히 같지는 않다는 것을 의미합니다.

근사 베이지안 계산(ABC)은 모델 매개변수의 사후 분포를 추정하는 데 사용할 수 있는 베이지안 통계에 기반한 계산 방법입니다.

대략적 추론 방법은 대량의 데이터에서 샘플링과 학습을 수행하고, 가설 검증 논리를 사용하여 지속적으로 실제 모델에 접근하는 것을 말합니다.

수학에서 거리 행렬은 점 쌍 사이의 거리를 포함하는 행렬(즉, 2차원 배열)입니다.

플러그 앤 플레이 생성 네트워크(PPGN)는 Nguyen 등이 제안한 모델입니다. 2016년에.

열 이름 속성은 데이터의 '이름 관련' 기능을 참조하고, 해당 값은 어떤 기호나 사물의 이름입니다.

누적 오차 역전파는 목표의 음의 기울기 방향으로 매개변수를 조정하기 위해 경사 하강 기반 전략을 채택하는 신경망 알고리즘으로, 학습 오류를 최소화하는 것을 목표로 합니다. "역전파 알고리즘" 또는 줄여서 "BP 알고리즘"이라고도 합니다.

관련된 샘플을 그룹화하는 것은 일반적으로 비지도 학습에 사용됩니다. 모든 샘플이 그룹화되면 연구자는 선택적으로 각 클러스터에 의미를 할당할 수 있습니다. 클러스터링 알고리즘은 여러 가지가 있는데, 예를 들어 k-평균 알고리즘은 아래와 같이 중심에 얼마나 가까운지에 따라 샘플을 클러스터링합니다. 그 후 연구자들은 […]

절대다수결 투표 방식은 유효 투표의 절반 이상이 인정되어야 하는 투표 방식입니다. 여러 분류기가 특정 범주를 예측하는 경우, 전체 결과의 절반보다 높은 부분만 예측됩니다. 표현 공식은 다음과 같습니다. $latex {H{ \left( {x} \right) }\text{ […]

다양체 학습은 패턴 인식의 기본적인 방법으로, 관찰된 현상으로부터 사물의 본질을 찾고 데이터를 생성하는 내부 법칙을 찾습니다. 다양체 학습은 선형 다양체 학습 알고리즘과 비선형 다양체 학습 알고리즘의 두 가지 유형으로 나눌 수 있습니다. 비선형 다양체 학습 알고리즘에는 등각 사상 Isomap, Laplace 고유 사상 L […]이 포함됩니다.

평균제곱오차는 추정된 값과 실제 값의 차이 정도를 반영하는 기대값입니다. 이는 종종 데이터의 변화 정도를 평가하고 데이터의 정확도를 예측하는 데 사용됩니다. 매개변수 $latex { \theta }$가 있고 추정 함수가 $latex {T}$인 경우 $latex {MSE [...]

기계 번역은 컴퓨터를 사용하여 서로 다른 언어를 변환하는 것으로, 일반적으로 원본 언어를 대상 언어로 번역합니다. 번역 과정 인간 번역에서 기계 번역까지, 번역 과정은 다음과 같이 나눌 수 있습니다. 원본 텍스트의 의미를 해독하고, 분석된 의미를 대상 언어로 다시 컴파일합니다. 번역 방법 기계 번역의 일반적인 단계 […]

매니폴드 가정은 반지도 학습에서 흔히 쓰이는 가정이고, 또 다른 가정은 클러스터링 가정입니다. 매니폴드 가정은 비슷한 속성을 가진 예는 보통 작은 지역적 이웃에 있으므로 비슷한 레이블을 갖는다고 말하는데, 이는 결정 함수의 지역적 평활함을 반영합니다. 전체적인 특성에 초점을 맞춘 클러스터링 가설과 달리, 매니폴드 가설은 모델의 [...]에 더 초점을 맞춥니다.

최대 우도 추정은 주로 모델 관측값을 최대화하는 가능한 데이터를 찾고 이를 최종 선택으로 사용하여 모델 매개변수를 결정하는 데 사용되는 추정 방법입니다. 최대 우도 추정에서 표본 추출은 독립적이고 동일한 분포라는 가정을 충족합니다. 이 방법의 목적은 알려진 샘플 결과를 사용하여 관련 결과로 이어질 확률이 가장 높은 매개변수 값을 추론하는 것입니다.

지연 학습은 테스트 샘플을 수신하자마자 학습을 시작하는 학습 세트 처리 방법으로, 학습 단계 중에 샘플 학습을 시작하는 적극적 학습과 대조됩니다. 작업 데이터가 자주 변경되는 경우 지연 학습을 사용할 수 있습니다. 먼저 학습을 수행하지 않고, 예측 요청을 수신한 다음 현재 데이터를 확률에 사용합니다.

유추 학습은 인지적 사고와 추론의 한 방법입니다. 두 가지 유형의 사물이나 상황을 비교하여 객체 수준에서 유사점을 찾아내고, 이를 기준으로 사물과 상황의 관계를 비교합니다. 그것들을 적절히 배열하거나 다른 것에 대응시켜 교환함으로써 그에 상응하는 해결책을 얻을 수 있다. 유추 학습에는 여러 가지 분류 방법이 있습니다.

홀드아웃 방법은 데이터 집합 D를 두 개의 상호 배타적인 집합으로 나누는 모델 평가 방법입니다. 한 세트를 학습 세트 S, 다른 세트를 테스트 세트 T라고 가정하면 다음과 같습니다. D = S ∪ T , S ∩ T = ∅ 학습/테스트 세트를 나눌 때 데이터 분포를 최대한 일관되게 유지해야 합니다. […]을 피하려면

가지치기는 의사결정 트리의 분기를 막는 방법입니다. 이는 의사결정 트리의 과적합 문제를 해결하는 수단입니다.

이해성은 무엇인가를 이해하는 것이 얼마나 쉬운지를 나타내는 것으로, 주로 독자가 이해하기 쉬운지 여부를 나타냅니다.

극성 감지는 자연어 텍스트의 감정 극성을 분류하는 과정입니다.

활성화 함수는 신경망 모델에서 일반적으로 사용되는 동적 원리로, 뉴런이 다른 뉴런의 활동에 따라 활성화 값을 어떻게 변경하는지 정의합니다. 일반적인 활성화 함수는 네트워크의 가중치에 따라 달라지며, 이는 비선형적 요소를 도입할 수 있으며 일반적으로 선형 방정식으로 해결할 수 없는 문제를 해결하는 데 사용됩니다.

구문 트리는 구체적 구문 트리라고도 하며, 언어의 문법적 구조를 트리 형태로 표현한 구문 분석 결과를 나타낸 것입니다.

구조는 신경망 토폴로지 다이어그램을 표시하는 방법으로, 신경망 분야에서 일반적으로 사용됩니다. 신경망에서 변수는 뉴런 연결의 가중치와 활성화 값이 될 수 있습니다.

분석적 기울기는 신경망 알고리즘에서 역전파를 사용하여 각 매개변수에 대한 목적 함수의 기울기를 계산하는 것을 말합니다.

근사치 또는 근사화는 하나의 사물이 다른 사물과 유사하지만 정확히 같지는 않다는 것을 의미합니다.

근사 베이지안 계산(ABC)은 모델 매개변수의 사후 분포를 추정하는 데 사용할 수 있는 베이지안 통계에 기반한 계산 방법입니다.

대략적 추론 방법은 대량의 데이터에서 샘플링과 학습을 수행하고, 가설 검증 논리를 사용하여 지속적으로 실제 모델에 접근하는 것을 말합니다.

수학에서 거리 행렬은 점 쌍 사이의 거리를 포함하는 행렬(즉, 2차원 배열)입니다.

플러그 앤 플레이 생성 네트워크(PPGN)는 Nguyen 등이 제안한 모델입니다. 2016년에.

열 이름 속성은 데이터의 '이름 관련' 기능을 참조하고, 해당 값은 어떤 기호나 사물의 이름입니다.

누적 오차 역전파는 목표의 음의 기울기 방향으로 매개변수를 조정하기 위해 경사 하강 기반 전략을 채택하는 신경망 알고리즘으로, 학습 오류를 최소화하는 것을 목표로 합니다. "역전파 알고리즘" 또는 줄여서 "BP 알고리즘"이라고도 합니다.

관련된 샘플을 그룹화하는 것은 일반적으로 비지도 학습에 사용됩니다. 모든 샘플이 그룹화되면 연구자는 선택적으로 각 클러스터에 의미를 할당할 수 있습니다. 클러스터링 알고리즘은 여러 가지가 있는데, 예를 들어 k-평균 알고리즘은 아래와 같이 중심에 얼마나 가까운지에 따라 샘플을 클러스터링합니다. 그 후 연구자들은 […]

절대다수결 투표 방식은 유효 투표의 절반 이상이 인정되어야 하는 투표 방식입니다. 여러 분류기가 특정 범주를 예측하는 경우, 전체 결과의 절반보다 높은 부분만 예측됩니다. 표현 공식은 다음과 같습니다. $latex {H{ \left( {x} \right) }\text{ […]

다양체 학습은 패턴 인식의 기본적인 방법으로, 관찰된 현상으로부터 사물의 본질을 찾고 데이터를 생성하는 내부 법칙을 찾습니다. 다양체 학습은 선형 다양체 학습 알고리즘과 비선형 다양체 학습 알고리즘의 두 가지 유형으로 나눌 수 있습니다. 비선형 다양체 학습 알고리즘에는 등각 사상 Isomap, Laplace 고유 사상 L […]이 포함됩니다.

평균제곱오차는 추정된 값과 실제 값의 차이 정도를 반영하는 기대값입니다. 이는 종종 데이터의 변화 정도를 평가하고 데이터의 정확도를 예측하는 데 사용됩니다. 매개변수 $latex { \theta }$가 있고 추정 함수가 $latex {T}$인 경우 $latex {MSE [...]

기계 번역은 컴퓨터를 사용하여 서로 다른 언어를 변환하는 것으로, 일반적으로 원본 언어를 대상 언어로 번역합니다. 번역 과정 인간 번역에서 기계 번역까지, 번역 과정은 다음과 같이 나눌 수 있습니다. 원본 텍스트의 의미를 해독하고, 분석된 의미를 대상 언어로 다시 컴파일합니다. 번역 방법 기계 번역의 일반적인 단계 […]

매니폴드 가정은 반지도 학습에서 흔히 쓰이는 가정이고, 또 다른 가정은 클러스터링 가정입니다. 매니폴드 가정은 비슷한 속성을 가진 예는 보통 작은 지역적 이웃에 있으므로 비슷한 레이블을 갖는다고 말하는데, 이는 결정 함수의 지역적 평활함을 반영합니다. 전체적인 특성에 초점을 맞춘 클러스터링 가설과 달리, 매니폴드 가설은 모델의 [...]에 더 초점을 맞춥니다.

최대 우도 추정은 주로 모델 관측값을 최대화하는 가능한 데이터를 찾고 이를 최종 선택으로 사용하여 모델 매개변수를 결정하는 데 사용되는 추정 방법입니다. 최대 우도 추정에서 표본 추출은 독립적이고 동일한 분포라는 가정을 충족합니다. 이 방법의 목적은 알려진 샘플 결과를 사용하여 관련 결과로 이어질 확률이 가장 높은 매개변수 값을 추론하는 것입니다.

지연 학습은 테스트 샘플을 수신하자마자 학습을 시작하는 학습 세트 처리 방법으로, 학습 단계 중에 샘플 학습을 시작하는 적극적 학습과 대조됩니다. 작업 데이터가 자주 변경되는 경우 지연 학습을 사용할 수 있습니다. 먼저 학습을 수행하지 않고, 예측 요청을 수신한 다음 현재 데이터를 확률에 사용합니다.

유추 학습은 인지적 사고와 추론의 한 방법입니다. 두 가지 유형의 사물이나 상황을 비교하여 객체 수준에서 유사점을 찾아내고, 이를 기준으로 사물과 상황의 관계를 비교합니다. 그것들을 적절히 배열하거나 다른 것에 대응시켜 교환함으로써 그에 상응하는 해결책을 얻을 수 있다. 유추 학습에는 여러 가지 분류 방법이 있습니다.

홀드아웃 방법은 데이터 집합 D를 두 개의 상호 배타적인 집합으로 나누는 모델 평가 방법입니다. 한 세트를 학습 세트 S, 다른 세트를 테스트 세트 T라고 가정하면 다음과 같습니다. D = S ∪ T , S ∩ T = ∅ 학습/테스트 세트를 나눌 때 데이터 분포를 최대한 일관되게 유지해야 합니다. […]을 피하려면

가지치기는 의사결정 트리의 분기를 막는 방법입니다. 이는 의사결정 트리의 과적합 문제를 해결하는 수단입니다.