Gan

مخفف شبکه مولد تخاصمی.(generative adversarial network.)

Generalization

به توانایی مدل در ارائه پیش‌بینی‌های صحیح در مورد داده‌های جدید برای آموزش مدل اشاره دارد.

Generalization Curve

منحنی‌ای که میزان اتلاف مجموعه آموزش و مجموعه اعتبار سنجی را نشان می‌دهد. یک منحنی تعمیم می‌تواند در تشخیص بیش‌برازش کمک کند. به عنوان مثال منحنی تعمیم زیر نشان می‌دهد که دچار بیش‌برازش شده است زیرا از بین رفتن مجموعه اعتبارسنجی در نهایت به طور قابل توجهی بیشتر از مجموعه آموزش می‌شود.

Generalized Linear Model

تعمیم مدل‌های رگرسیون کمترین مربعات که مبتنی بر نویز گوسی است، به سایر مدل‌های مبتنی بر انواع دیگر نویز، مانند نویز پواسون یا نویزهای طبقه‌ای. نمونه‌هایی از مدل‌های خطی تعمیم یافته عبارت‌اند از:

پارامترهای یک مدل خطی تعمیم یافته را می‌توان از طریق بهینه‌سازی محدب یافت.

مدل‌های خطی تعمیم یافته دارای ویژگی‌های زیر هستند:

توانایی یک مدل خطی عمومی، محدود به ویژگی‌های آن است. برخلاف یک مدل عمیق، یک مدل خطی تعمیم یافته نمی‌تواند "ویژگی‌های جدید را یاد بگیرد".

Generative Adversarial Network (Gan)

سیستمی برای ایجاد داده‌های جدید است که در آن مولد داده ایجاد می‌کند و یک تشخیص دهنده بررسی می‌کند که داد‌ه‌های ایجاد شده معتبر هستند یا نامعتبر هستند.

Generative Model

از نظر عملی مدلی است که یکی از موارد زیر را انجام دهد:

نمونه‌های جدیدی را از مجموعه داده‌های آموزشی ایجاد می‌کند. به عنوان مثال یک مدل مولد می‌تواند پس از آموزش بر روی مجموعه‌ای از اشعار، شعر ایجاد کند. بخش مولد یک شبکه‌ی مولد تخاصمی در این گروه قرار می‌گیرد.

احتمال اینکه نمونه‌ی جدید از مجموعه آموزشی است یا از همان مکانیسم ایجاد شده برای مجموعه آموزش ایجاد شده را مشخص می‌کند. به عنوان مثال پس از آموزش روی مجموعه داده‌ای متشکل از جملات انگلیسی، می‌تواند احتمال اعتبار ورودی جدید یک جمله انگلیسی را تعیین کند.

یک مدل مولد از لحاظ نظری می‌تواند توزیع نمونه‌ها یا ویژگی‌های خاص در یک مجموعه داده را تشخیص دهد. به این معنا که: (مثال)P

الگوهای یادگیری بدون نظارت مولد هستند.

متضاد: مدل‌های تشخیص‌دهنده

Generator

زیر سیستم در یک شبکه‌ی مولد تخاصمی که نمونه‌های جدیدی ایجاد می‌کند.

متضاد: تشخیص‌دهنده

Gradient

به بردار مشتقات جزئی با توجه به تمام متغیرهای مستقل گویند که در یادگیری ماشین، شیب بردار مشتقات جزئی از عملکرد مدل است.(شیب در جهت صعودی حرکت می‌کند)

Gradient Clipping

مکانیسمی متداول برای کاهش شیب، در مسئله‌ی گسترش بیش‌ از اندازه‌ی شیب است که، از طریق محدود کردن مصنوعی حداکثر ارزش آن هنگام آموزش مدل از طریق کاهش شیب به کار می‌رود.

Gradient Descent

یک روش برای به حداقل رساندن میزان افت، با محاسبه‌ی شیب آن توجه به پارامترهای مدل و داده های آموزشی است. می‌توان گفت کاهش شیب، به طور تکراری پارامترها را تنظیم می‌کند و به تدریج بهترین ترکیب وزن‌ها و مقدار پیش‌فرض را می‌یابد تا میزان افت به حداقل برسد.

Greedy Policy

در یادگیری تقویتی، خط‌مشی‌ای که همیشه عملی با بالاترین بازده مورد انتظار را انتخاب می‌کند.

Ground Truth

پاسخ درست یا واقعیت است. از آنجا که واقعیت غالباً ذهنی است، معمولا کارشناسان ارزیاب تعیین‌کننده حقیقت مبنا(یافته‌های عینی) هستند.

Group Attribution Bias

به فرض اینکه آنچه برای یک فرد صادق است، برای همه افراد در آن گروه نیز صادق است، در صورت نمونه‌گیری راحت برای جمع آوری داده‌ها، اثرات انتساب گروهی مقدار پیش‌فرض می‌تواند تشدید شود. در یک نمونه‌ی غیر نماینده، ممکن است باعث تصوراتی که منعکس کننده‌ی واقعیت نیست شود.


مطالعه بیشتر: out-group homogeneity bias و in-group bias