| کلمات | توضیح | |
|---|---|---|
| ۱ | Objective |
یک معیار که الگوریتم‌ها تلاش می‌کنند آن را بهینه کنند. |
| ۲ | Objective Function |
یک عبارت ریاضی یا معیار که یک مدل تلاش می‌کند تا آن را بهینه کند. به عنوان مثال، تابع هدف برای مسائل رگرسیون خطی معمولا تابع خطای توان دوم (squared loss) است. بنابراین، هنگامی که یک مدل رگرسیون خطی... |
| ۳ | Offline Inference |
تولید دسته‌ای از پیش‌بینی‌ها، ذخیره آن پیش‌بینی‌ها و بازیابی آن پیش‌بینی‌ها در صورت نیاز. متضادها: استنباط درون‌خط |
| ۴ | One-hot Encoding |
یک بردار پراکنده (sparse) که در آن: مقدار یک درایه ۱ است مقدار بقیه‌ی درایه‌ها ۰ است این نوع کدگذاری جهت نمایش شناسه‌هایی که مقادیر محدودی می‌پذیرند معمول است. به عنوان مثال، یک مجموعه داده... |
| ۵ | One-shot Learning |
یک رویکرد یادگیری ماشین است که معمولا در مسائل طبقه‌بندی اشیا استفاده می‌شود و طراحی شده است تا بتواند طبقه‌بند‌های موثر از یک نمونه آموزش دهد. اطلاعات بیشتر: یادگیری چندمرحله‌ای (few-shot learning) |
| ۶ | One-vs.-All |
در یک مساله طبقه‌بندی با N پاسخ ممکن، یک رویکرد «یک در مقابل همه» شامل N طبقه‌بند دوتایی (یک طبقه‌بند دوتایی برای هر خروجی ممکن) است. به عنوان مثال، مدلی که نمونه‌ها را به عنوان حیوان، سبزیجات یا کانی... |
| ۷ | Online Inference |
تولید پیش‌بینی‌ها در لحظه نیاز. متضادها: استنباط برون‌خط (offline inference) |
| ۸ | Optimizer |
یک پیاده‌سازی خاص از الگوریتم کاهش شیب (gradient descent). بهینه‌سازهای پرکاربرد عبارتند از: بهینه‌ساز AdaGrad که از ADAptive GRADient descent (کاهش شیب سازگار) گرفته شده است. بهینه‌ساز Adam که از... |
| ۹ | Out-Group Homogeneity Bias |
گرایش به این که در هنگام مقایسه مقادیر و شاخص‌های خارج گروه را شبیه‌تر از اعضای درون گروه ببینیم. درون‌گروهی به معنای افرادی است که به طور منظم با آن‌ها برخورد دارید و خارج‌گروهی به افرادی گفته می‌شود... |
| ۱۰ | Outliers |
مقدارهایی که از بقیه مقادیر فاصله‌ی زیادی دارند. در یادگیری ماشین، هر کدام از موارد زیر داده‌ی پرت حساب می‌شوند: وزن‌هایی که قدر مطلق آن‌ها بسیار بزرگ باشد. مقدارهای پیش‌بینی شده‌ای که از مقادیر... |
| ۱۱ | Output Layer |
آخرین لایه در یک شبکه عصبی. این لایه حاوی جواب‌های مساله است. |
| ۱۲ | Overfitting |
ایجاد یک مدل که به نمونه‌های مجموعه داده آموزش بسیار نزدیک شده است؛ به طوری که در پیش‌بینی داده‌های جدید به مشکل می‌خورد. |