Англо-русский толковый словарь по нейросетям и искусственному интеллекту

Activation Function (функция активации)

Определение: Функция, применяемая к выходу слоя нейронной сети, определяющая степень активности нейрона.

Примеры использования: ReLU, sigmoid, tanh.

Область использования: NLP, CV, ML.

Adversarial Attacks (адверзариальные атаки)

Определение: Методика ввода специально созданных искажений входных данных для обманывания модели и изменения её поведения.

Примеры использования: DeepFool, FGSM.

Область использования: Безопасность AI, NLP, CV.

Attention Mechanism (механизм внимания)

Определение: Архитектурный компонент, позволяющий модели фокусироваться на важных частях входных данных при обработке последовательности.

Примеры использования: Transformer, BERT.

Область использования: NLP, CV.

Autoencoder (автоэнкодер)

Определение: Нейросеть, предназначенная для кодирования и декодирования данных, часто используется для сжатия и восстановления исходных данных.

Примеры использования: Denoising Autoencoders, Variational Autoencoders.

Область использования: Генерация изображений, NLP.

Backpropagation (обратное распространение ошибок)

Определение: Алгоритм оптимизации весов нейронной сети путём вычисления градиентов потерь относительно каждого веса.

Примеры использования: Stochastic Gradient Descent (SGD).

Область использования: Обучение нейросетей.

Batch Normalization (батч-нормализа́ция)

Определение: Техника нормализации распределения активаций внутри партии данных, улучшающая стабильность и скорость обучения.

Примеры использования: ResNet, DenseNet.

Область использования: Глубокое обучение.

Bias (смещение)

Определение: Параметр нейронной сети, добавляемый к взвешенной сумме признаков перед применением функции активации.

Примеры использования: Linear Regression, Neural Networks.

Область использования: Машинное обучение.

Classification (классификация)

Определение: Задача машинного обучения, заключающаяся в отнесении объектов к одному из заранее определённых классов.

Примеры использования: Logistic Regression, SVM, CNN.

Область использования: NLP, CV, ML.

Clustering (кластеризация)

Определение: Процесс группировки похожих объектов в кластеры на основании сходства между ними.

Примеры использования: K-means, Hierarchical Clustering.

Область использования: Data Mining, Unsupervised Learning.

Convolutional Neural Network (CNN, свёрточная нейронная сеть)

Определение: Тип архитектуры нейронной сети, предназначенный преимущественно для обработки пространственных данных, таких как изображения.

Примеры использования: AlexNet, VGG, ResNet.

Область использования: Computer Vision.

Data Augmentation (аугментация данных)

Определение: Методы увеличения объёма тренировочных данных путём преобразования существующих образцов, сохраняя их релевантность.

Примеры использования: Image rotation, flipping, cropping.

Область использования: CV, NLP.

Dataset (датасет)

Определение: Набор данных, используемый для тренировки, тестирования и оценки моделей машинного обучения.

Примеры использования: MNIST, CIFAR-10, IMDb Reviews Dataset.

Область использования: ML, DL.

Deep Learning (глубокое обучение)

Определение: Подраздел машинного обучения, использующий многослойные нейронные сети для решения сложных задач анализа данных.

Примеры использования: RNN, CNN, Transformers.

Область использования: NLP, CV, RL.

Dropout (дропаут)

Определение: Регуляризующая техника, временно отключающая случайные нейроны во время обучения для предотвращения переобучения.

Примеры использования: DropConnect, Spatial Dropout.

Область использования: NN Training.

Embedding (эмбеддинг)

Определение: Представление категориальных или дискретных данных в форме плотных векторных представлений фиксированной длины.

Примеры использования: Word Embeddings, GloVe, FastText.

Область использования: NLP, Recommender Systems.

Epoch (эпоха)

Определение: Полный проход всех выборок датасета через алгоритм обучения нейронной сети один раз.

Примеры использования: PyTorch training loop.

Область использования: ML, DL.

Fine-tuning (тонкая настройка)

Определение: Процесс адаптации предварительно обученной модели к конкретной задаче путём дополнительного обучения на специализированных данных.

Примеры использования: Transfer learning in NLP and CV.

Область использования: NLP, CV.

GAN (Generative Adversarial Network, генеративно-состязательная сеть)

Определение: Архитектура, состоящая из двух сетей — генератора и дискриминатора, соревнующихся друг с другом для улучшения качества генерируемых данных.

Примеры использования: StyleGAN, DCGAN.

Область использования: Генеративные модели, синтез изображений.

Gradient Boosting (градиентный бустинг)

Определение: Алгоритмы ансамблевого обучения, создающие сильные предсказатели путём последовательного добавления слабых моделей.

Примеры использования: XGBoost, LightGBM, CatBoost.

Область использования: ML, Tabular data analysis.

Hyperparameter Tuning (оптимизация гиперпараметров)

Определение: Процесс подбора оптимальных значений гиперпараметров модели для достижения наилучших результатов обучения.

Примеры использования: Grid Search, Random Search, Bayesian Optimization.

Область использования: ML, DL.

Inference (интерференция, вывод)

Определение: Применение обученной модели для получения предсказания на новых данных.

Примеры использования: Model deployment on test dataset.

Область использования: ML, DL.

Intelligent Guessing (интеллектуальное предположение)

Определение: Способность модели давать обоснованные прогнозы на основе имеющихся данных и закономерностей.

Примеры использования: Recommendation systems, predictive analytics.

Область использования: NLP, Decision Making.

Keras (Керас)

Определение: Высокоуровневая библиотека глубокого обучения, упрощающая создание и тестирование нейросетевых архитектур.

Примеры использования: Building neural networks with Python API.

Область использования: DL, Prototyping.

Label (лейбл, метка)

Определение: Целевое значение или класс, связанный с каждым образцом данных в наборе.

Примеры использования: Classification labels for images or texts.

Область использования: Supervised Learning.

Learning Rate (скорость обучения)

Определение: Гиперпараметр, контролирующий величину обновления весов на каждом шаге обучения.

Примеры использования: Adam optimizer with adaptive learning rate.

Область использования: NN Training.

Loss Function (функция потерь)

Определение: Математическая функция, измеряющая разницу между истинными значениями и предсказаниями модели.

Примеры использования: Cross-Entropy Loss, Mean-Squared Error (MSE).

Область использования: ML, DL.

LSTM (Long Short-Term Memory, долговременная краткосрочная память)

Определение: Тип рекуррентной нейронной сети, способной сохранять долгосрочные зависимости в последовательностях данных.

Примеры использования: Text generation, speech recognition.

Область использования: NLP, Time Series Analysis.

Masked Language Modeling (MLM, маскированная языковая модель)

Определение: Стратегия обучения, при которой некоторые токены текста скрываются ("маскируются"), а задача модели заключается в восстановлении скрытых частей.

Примеры использования: BERT architecture.

Область использования: NLP, Pre-training language models.

Mean Average Precision (mAP, средняя точность среднего значения)

Определение: Метрика качества классификации, рассчитываемая как среднее арифметическое средних точностей по различным пороговым уровням уверенности классификатора.

Примеры использования: Object detection evaluation.

Область использования: Evaluation metrics.

Metric (метрика)

Определение: Показатель, используемый для измерения производительности алгоритмов машинного обучения.

Примеры использования: Accuracy, F1 Score, mAP.

Область использования: Evaluation of machine learning algorithms.

Model Ensemble (ансамблирование моделей)

Определение: Использование нескольких моделей одновременно для повышения точности и надёжности решений.

Примеры использования: Bagging, Boosting, Stacking.

Область использования: Improving model performance.

Neural Architecture Search (NAS, поиск архитектуры нейронных сетей)

Определение: Автоматизированный процесс выбора оптимальной структуры нейронной сети для заданной задачи.

Примеры использования: Reinforcement Learning-based NAS, Evolutionary Algorithms.

Область использования: Optimizing deep learning architectures.

Neural Network (нейронная сеть)

Определение: Модель, вдохновленная структурой мозга, представляющая собой совокупность взаимосвязанных узлов (нейронов), выполняющих операции над данными.

Примеры использования: Feedforward Networks, RNN, CNN.

Область использования: Machine Learning, Deep Learning.

Overfitting (переподгонка, переобучение)

Определение: Явление чрезмерной адаптации модели к данным обучения, приводящее к плохой обобщаемости на новые данные.

Примеры использования: Regularization techniques like dropout to prevent overfitting.

Область использования: ML, DL.

Pooling Layer (слой объединения)

Определение: Слой нейронной сети, уменьшающий размерность выходного сигнала путем агрегации соседних элементов (например, максимальным или средним значением).

Примеры использования: Max Pooling, Average Pooling.

Область использования: CNN Architectures.

Precision (точность)

Определение: Доля правильно классифицированных положительных примеров среди всех положительно предсказанных моделью экземпляров.

Примеры использования: Binary classification evaluation metric.

Область использования: Metrics in supervised learning tasks.

PyTorch (Пайторч)

Определение: Библиотека глубокого обучения, предоставляющая возможность гибкого программирования нейронных сетей с использованием динамических графов вычислений.

Примеры использования: Implementing custom neural network layers.

Область использования: Research, Production-grade implementations.

R-CNN (Region-Based Convolutional Neural Network, регион-базированные свёрточные нейронные сети)

Определение: Семейство методов компьютерного зрения, предназначенных для обнаружения объектов на изображениях посредством выделения областей интереса.

Примеры использования: Fast R-CNN, Mask R-CNN.

Область использования: Object Detection, Segmentation.

Reinforcement Learning (RL, обучение с подкреплением)

Определение: Подход к обучению агентов, основанный на получении вознаграждения за выполнение действий в среде.

Примеры использования: AlphaGo, Q-learning.

Область использования: Game playing, Robotics.

Regularization (регуляризация)

Определение: Техники снижения сложности модели для уменьшения риска переобучения.

Примеры использования: L1/L2 regularization, Dropout.

Область использования: Preventing Overfitting.

ResNet (Residual Network, остаточная сеть)

Определение: Архитектура глубокой нейронной сети, включающая слои пропуска («residual blocks»), облегчающие обучение глубоких слоев.

Примеры использования: Image classification, object detection.

Область использования: CV, DL.

ROC-AUC (Receiver Operating Characteristic Area Under Curve, площадь под кривой рабочих характеристик приёмника)

Определение: Метрика оценки бинарных классификаторов, отражающая способность различать положительные и отрицательные классы независимо от порога принятия решений.

Примеры использования: Evaluating binary classifier performance.

Область использования: Metrics in classification problems.

Self-attention (самовнимание)

Определение: Механизм, позволяющий каждому элементу последовательности учитывать отношения ко всем другим элементам в пределах одного прохода.

Примеры использования: Transformer architecture.

Область использования: NLP, Sequence-to-sequence modeling.

Sequence-to-Sequence Models (модели последовательность-последовательность)

Определение: Модели, преобразующие одну последовательность (например, предложение на одном языке) в другую (предложение на другом языке).

Примеры использования: Translation, summarization.

Область использования: NLP, Natural Language Processing.

Supervised Learning (контролируемое обучение)

Определение: Класс задач машинного обучения, в которых модель учится отображению входных данных в известные правильные ответы (целевые переменные).

Примеры использования: Classification, regression.

Область использования: Predictive Analytics.

Temperature Scaling (масштабирование температуры)

Определение: Метод калибровки вероятностных выводов модели, обеспечивающий лучшее соответствие распределениям предсказанной вероятности.

Примеры использования: Calibrating confidence scores in classification tasks.

Область использования: Post-processing outputs from classification models.

TensorFlow (тенсорфлоу)

Определение: Платформа для разработки и развертывания приложений машинного обучения, позволяющая создавать вычислительные графики и настраивать работу с GPU/TPU.

Примеры использования: Creating neural networks using TensorFlow API.

Область использования: ML, DL research and production.

Tokenization (токенизация)

Определение: Разбиение текста на отдельные элементы (слова, символы, части речи) для последующего анализа.

Примеры использования: SentencePiece tokenizer, Byte Pair Encoding (BPE).

Область использования: NLP preprocessing.

Transfer Learning (трансферное обучение)

Определение: Подход, при котором знания, полученные одной моделью на одних данных, применяются для решения схожих задач на других данных.

Примеры использования: Fine-tuning a pretrained model on new datasets.

Область использования: NLP, CV.

Transformer (Трансформер)

Определение: Архитектура нейронной сети, основанная исключительно на механизмах внимания, эффективно обрабатывающая последовательности данных произвольной длины.

Примеры использования: BERT, GPT series.

Область использования: NLP, sequence processing.

Unsupervised Learning (неконтролируемое обучение)

Определение: Клас задач машинного обучения, в которых модель ищет скрытую структуру в необозначенных данных без предоставления целевых меток.

Примеры использования: Clustering, dimensionality reduction.

Область использования: Exploratory Data Analysis.

Validation Set (валидационный набор данных)

Определение: Часть набора данных, используемая для оценки эффективности модели на этапе обучения, помогая избежать переобучения.

Примеры использования: Splitting the dataset into train/test/validation sets.

Область использования: Model selection, hyperparameter tuning.

Vanishing Gradients Problem (проблема исчезающего градиента)

Определение: Проблема, возникающая при обучении глубоких нейронных сетей, когда градиенты становятся чрезвычайно малыми, замедляя или останавливая обучение.

Примеры использования: Using skip connections, normalization methods.

Область использования: Deep Learning optimization.

Weight Initialization (инициализация весов)

Определение: Начальная установка значений весов нейронной сети, влияющая на эффективность и скорость обучения.

Примеры использования: Glorot initialization, He initialization.

Область использования: Initializing weights before training.

Автоматическое дифференцирование (Automatic Differentiation)

Определение: Метод автоматического вычисления производных функций, используемых в глубоком обучении для оптимизации весов нейронных сетей.

Примеры использования: Обратное распространение ошибок (backpropagation).

Область использования: Оптимизация нейросетей.

Активное обучение (Active Learning)

Определение: Стратегия обучения моделей, предполагающая интерактивный выбор наиболее информативных образцов для маркировки человеком-экспертом.

Примеры использования: Уменьшение количества аннотируемых данных.

Область использования: Экономия ресурсов при разметке больших объемов данных.

Аннсамблирование моделей (Model Ensembling)

Определение: Объединение нескольких моделей для улучшения общей производительности и устойчивости предсказаний.

Примеры использования: Баггинг (bagging), бустинг (boosting), стекинг (stacking).

Область использования: Повышение точности моделей.

Архитектура трансформеров (Transformer Architecture)

Определение: Архитектура нейронных сетей, построенная на механизме внимания, позволяющем обрабатывать длинные последовательности данных.

Примеры использования: BERT, GPT, T5.

Область использования: Обработка естественного языка (NLP), обработка изображений.

Байесовская оптимизация (Bayesian Optimization)

Определение: Метод оптимизации гиперпараметров моделей, основанный на статистическом подходе, минимизирующем количество итераций поиска оптимального решения.

Примеры использования: Поиск лучших настроек модели для максимальной производительности.

Область использования: Выбор оптимальных гиперпараметров.

Валидационный набор данных (Validation Set)

Определение: Часть данных, выделяемая для проверки промежуточных результатов обучения модели и избежания переобучения.

Примеры использования: Оценка точности на непрозрачном этапе обучения.

Область использования: Контроль качества обучения.

Векторное представление (Vector Representation)

Определение: Преобразование текстовых или категориальных данных в числовой вид для дальнейшего анализа моделями машинного обучения.

Примеры использования: Эмбеддинги (embeddings), TF-IDF.

Область использования: NLP, классификация документов.

Генерация текста (Text Generation)

Определение: Создание осмысленного текста на основе предварительных данных или контекста.

Примеры использования: Chatbots, автоматические системы написания статей.

Область использования: NLP, диалоговые системы.

Гиперпараметры (Hyperparameters)

Определение: Настройки, определяемые вручную или автоматически до начала процесса обучения модели, такие как скорость обучения, глубина сети, регуляризаторы.

Примеры использования: Learning rate, batch size, number of hidden units.

Область использования: Оптимизация и настройка моделей.

Граф вычислений (Computational Graph)

Определение: Структурная схема операций, проводимых над данными в процессе обучения нейронной сети, выражаемая в виде направленного графа.

Примеры использования: Visualization of neural network operations.

Область использования: Отладка и понимание процессов обучения.

Датасет (Dataset)

Определение: Коллекция данных, собранных для целей обучения, тестирования и оценки моделей машинного обучения.

Примеры использования: MNIST, COCO, WikiText.

Область использования: Сбор и подготовка данных для моделирования.

Данные (Data)

Определение: Информация, представленная в цифровом виде, используемая для обучения и оценивания моделей.

Примеры использования: Изображения, тексты, звуковые файлы.

Область использования: Основы машинного обучения.

Дифференциальное обучение (Differentiable Programming)

Определение: Методология программирования, при которой программы рассматриваются как функции, способные подвергаться автоматической дифференциации.

Примеры использования: Градиентное обновление параметров нейронных сетей.

Область использования: Современные методы обучения нейронных сетей.

Задача регрессии (Regression Task)

Определение: Задача машинного обучения, цель которой состоит в предсказании непрерывных значений на основе входных данных.

Примеры использования: Прогноз цен на жилье, оценка стоимости товаров.

Область использования: Предсказание количественных показателей.

Интуитивное обучение (Intuitive Learning)

Определение: Концепция интуитивного подхода к пониманию и применению технологий машинного обучения без углубленных технических знаний.

Примеры использования: Упрощённые инструменты и платформы для начинающих разработчиков.

Область использования: Популяризация AI-технологий.

Интерференция (Interference)

Определение: Воздействие ранее изученного материала на последующее обучение новой информации, потенциально снижающее производительность моделей.

Примеры использования: Катастрофическое забывание в нейронных сетях.

Область использования: Проблематика долговременного запоминания.

Искусственная нейронная сеть (Artificial Neural Network, ANN)

Определение: Система, имитирующая функционирование биологического мозга, состоящая из множества искусственных нейронов, соединённых связями с различными весовыми коэффициентами.

Примеры использования: Multilayer Perceptron, CNN, RNN.

Область использования: Решение широкого спектра задач машинного обучения.

Катастрофическое забывание (Catastrophic Forgetting)

Определение: Феномен, при котором нейронная сеть теряет способность хорошо воспроизводить старые знания после обучения новым данным.

Примеры использования: Постепенное ухудшение результата на старых данных после переподготовки.

Область использования: Сохранение способности решать предыдущие задачи после переобучения.

Классификация (Classification)

Определение: Задача распознавания и присвоения классу каждой единицы данных в рамках конечного множества возможных категорий.

Примеры использования: Распознавание рукописных цифр, категоризация отзывов клиентов.

Область использования: Широкий спектр применений, включая обработку изображений и текстов.

Компьютерное зрение (Computer Vision, CV)

Определение: Область исследований, посвящённая разработке алгоритмов и методов, позволяющих компьютерам интерпретировать и понимать визуальную информацию.

Примеры использования: Объектное обнаружение, сегментация изображений.

Область использования: Анализ изображений и видео.

Контекстное окно (Context Window)

Определение: Окружение токенов вокруг текущего элемента, рассматриваемое моделью для понимания смысла и формирования вывода.

Примеры использования: Размер окна влияет на качество предиктивных способностей модели.

Область использования: НЛП, обработка текстов.

Корпус (Corpus)

Определение: Большая коллекция текстов, используемая для изучения особенностей языка и построения лингвистических моделей.

Примеры использования: Корпус русского языка (НКРЯ).

Область использования: Исследования в области естественных языков.

Краткосрочное хранение (Short-term Storage)

Определение: Компонент памяти нейронной сети, удерживающий временные состояния на протяжении коротких периодов времени.

Примеры использования: LSTM (long short-term memory).

Область использования: Работа с временными рядами и последовательностью данных.

Логистика регрессия (Logistic Regression)

Определение: Линейный метод классификации, основанный на применении сигмоидной функции для перевода линейной комбинации признаков в вероятность принадлежности к классу.

Примеры использования: Бинарная классификация медицинских состояний.

Область использования: Простые задачи классификации.

Машинное обучение (Machine Learning, ML)

Определение: Подразделение искусственного интеллекта, занимающееся разработкой алгоритмов, позволяющих машинам учиться на данных и улучшать свою производительность без прямого программирования.

Примеры использования: Деревья решений, логистическая регрессия, нейронные сети.

Область использования: Построение автоматизированных аналитических систем.

Метрика качества (Evaluation Metric)

Определение: Показатель, характеризующий качество работы модели или алгоритма на тестовом наборе данных.

Примеры использования: Accuracy, precision, recall, F1 score.

Область использования: Оценка производительности моделей.

Модель (Model)

Определение: Формализованное представление проблемы или явления, создаваемое с целью прогнозирования или интерпретации.

Примеры использования: Линейные модели, нейронные сети, дерево решений.

Область использования: Программирование, исследования.

Мониторинг безопасности (Security Monitoring)

Определение: Постоянный контроль и наблюдение за системой с целью выявления угроз и уязвимостей, связанных с работой моделей искусственного интеллекта.

Примеры использования: Мониторинг аномалий поведения моделей.

Область использования: Обеспечение информационной безопасности AI-решений.

Настройка гиперпараметров (Hyperparameter Tuning)

Определение: Процедура нахождения оптимальных значений гиперпараметров модели для достижения лучшей производительности.

Примеры использования: Байесовская оптимизация, grid search.

Область использования: Улучшение производительности моделей.

Нормализация (Normalization)

Определение: Приведение данных к стандартному диапазону значений, повышая эффективность обучения и устойчивость моделей.

Примеры использования: Min-max scaling, z-score normalization.

Область использования: Предварительная обработка данных.

Ограничение параметров (Parameter Constraints)

Определение: Ограничения, накладываемые на параметры модели, такие как диапазон допустимых значений или условия гладкости.

Примеры использования: Non-negative constraints in linear regression.

Область использования: Улучшение стабильности и точности моделей.

Оптимизация (Optimization)

Определение: Процедуры и алгоритмы, направленные на улучшение производительности модели путём минимизации функции потерь.

Примеры использования: Gradient descent, stochastic gradient descent.

Область использования: Обучение моделей.

Оценка модели (Model Evaluation)

Определение: Процедура проверки качества модели на отдельных наборах данных для сравнения различных подходов и настроек.

Примеры использования: Cross-validation, hold-out validation.

Область использования: Проверка и сравнение моделей.

Перцептрон (Perceptron)

Определение: Базовая единица нейронной сети, принимающая сигналы, суммирующая их и выдающая сигнал в зависимости от превышения установленного порога.

Примеры использования: Простейшие классификационные задачи.

Область использования: Исторически важный прототип современных нейронных сетей.

Переобучение (Overfitting)

Определение: Случай, когда модель слишком точно адаптируется к данным обучения, теряя способность адекватно предсказывать на новых данных.

Примеры использования: Увеличение размера тренировочного набора, регуляризация.

Область использования: Диагностика проблем в моделях.

Подбор параметров (Parameter Selection)

Определение: Выбор подходящих значений параметров модели, влияющих на её поведение и производительность.

Примеры использования: Hyperparameter tuning, cross-validation.

Область использования: Оптимизация моделей.

Потеря информации (Information Loss)

Определение: Потеря деталей и тонкостей данных при их передаче или трансформации, негативно сказывающаяся на качестве результатов.

Примеры использования: Перевод текстов, сжатие изображений.

Область использования: Обнаружение и минимизация потерь в информационных системах.

Предсказание (Prediction)

Определение: Вычисляемое значение или категория, выдаваемая моделью на основе входных данных.

Примеры использования: Прогноз цены акций, прогноз погоды.

Область использования: Применяется повсеместно в задачах машинного обучения.

Преобразование Фурье (Fourier Transformation)

Определение: Метод разложения сигналов на компоненты различной частоты, широко используемый в обработке сигналов и изображений.

Примеры использования: Частотный анализ аудиосигнала.

Область использования: Обработка звука, изображений, временных рядов.

Признак (Feature)

Определение: Характеристика или свойство наблюдаемого объекта, используемое моделью для прогнозирования или классификации.

Примеры использования: Цвет пикселя, частота слова.

Область использования: Вся сфера машинного обучения.

Разреженность (Sparsity)

Определение: Свойство матрицы или вектора содержать значительное число нулевых элементов, что делает их компактнее и быстрее обрабатываемыми.

Примеры использования: Sparse matrix representation.

Область использования: Эффективная работа с большими объемами данных.

Регрессор (Regressor)

Определение: Модель, используемая для предсказания непрерывных величин на основе известных факторов.

Примеры использования: Линейная регрессия, случайный лес.

Область использования: Прогнозирование экономических показателей, научных измерений.

Рекуррентная нейронная сеть (Recurrent Neural Network, RNN)

Определение: Тип нейронной сети, сохраняющий состояние предыдущих шагов, подходящий для обработки последовательных данных.

Примеры использования: Обработка естественного языка, предсказание временных рядов.

Область использования: Временные ряды, обработка текста.

Семантика (Semantics)

Определение: Исследование смыслового содержания слов, предложений и текстов в языках.

Примеры использования: Семантический анализ текста.

Область использования: НЛП, информационные технологии.

Свёрточная нейронная сеть (Convolutional Neural Network, CNN)

Определение: Специфичная архитектура нейронных сетей, эффективная для работы с изображениями благодаря использованию свёрток и локальной связи нейронов.

Примеры использования: Image classification, object detection.

Область использования: Компьютерное зрение.

Синоптическая пластичность (Synaptic Plasticity)

Определение: Изменчивость силы синаптической передачи между двумя нейронами, лежащая в основе механизмов обучения и памяти.

Примеры использования: Биологические основы обучения нейронных сетей.

Область использования: Теоретические аспекты глубинного обучения.

Срез данных (Data Slice)

Определение: Подвыборка большого массива данных, выделенная для специального анализа или тестирования.

Примеры использования: Оценка производительности модели на разных группах пользователей.

Область использования: Тестирование и анализ моделей.

Температура (Temperature)

Определение: Параметр, регулирующий распределение вероятностей при выборе следующего шага в предсказательной модели.

Примеры использования: Температурные коэффициенты в генерационных моделях.

Область использования: Генерация текстов, изображений.

Тестирование (Testing)

Определение: Процесс оценки работоспособности и производительности модели на независимых данных.

Примеры использования: Hold-out testing, k-fold cross-validation.

Область использования: Проверка надежности моделей.

Тип данных (Data Type)

Определение: Описание формата хранения и обработки данных, определяющее способы манипуляции ими в программе.

Примеры использования: Integer, float, string.

Область использования: Программирование, базы данных.

Тренировочный набор (Training Set)

Определение: Часть данных, используемая непосредственно для обучения модели, адаптировавшей её параметры под поставленную задачу.

Примеры использования: MNIST dataset, ImageNet.

Область использования: Основной этап обучения моделей.

Уровень шума (Noise Level)

Определение: Степень помех или случайных изменений в сигнале или данных, ухудшающих их чистоту и ясность.

Примеры использования: Шумоподавление в аудиофайлах.

Область использования: Обработка сигналов, изображений.

Умножение матриц (Matrix Multiplication)

Определение: Операция умножения двух матриц, дающая новую матрицу, важную в работе многих алгоритмов машинного обучения.

Примеры использования: Умножение матриц в сверточных нейронных сетях.

Область использования: Основные расчеты в большинстве моделей глубокого обучения.

Упрощение модели (Model Simplification)

Определение: Сокращение числа параметров или усложненности модели для ускорения её работы и снижения потребности в ресурсах.

Примеры использования: Pruning, quantization.

Область использования: Оптимизация моделей для мобильных устройств.

Фильтрация (Filtering)

Определение: Удаление нежелательных компонентов из сигнала или данных, таких как шум или артефакты.

Примеры использования: Фильтры нижних частот для удаления высокочастотного шума.

Область использования: Обработка сигналов, изображений.

Формула расстояния (Distance Formula)

Определение: Математическое выражение, используемое для вычисления расстояний между объектами в пространстве признаков.

Примеры использования: Евклидово расстояние, Манхэттенское расстояние.

Область использования: Кластеризация, классификация.

Функция активации (Activation Function)

Определение: Функциональный блок, вводимый в архитектуру нейронной сети для придания ей нелинейности и возможности аппроксимировать сложные функции.

Примеры использования: ReLU, sigmoid, tanh.

Область использования: Строительный блок нейронных сетей.

Функция потерь (Loss Function)

Определение: Критерий, показывающий меру несоответствия между предсказанными и фактическими значениями, используемый для оптимизации модели.

Примеры использования: MSE, Cross Entropy loss.

Область использования: Обучение нейронных сетей.

Хранилище данных (Data Warehouse)

Определение: Специально организованная база данных, созданная для эффективного сбора, хранения и обработки больших объёмов структурированных и неструктурированных данных.

Примеры использования: BigQuery, Snowflake.

Область использования: Хранение и управление большими массивами данных.

Шум (Noise)

Определение: Любые ненужные или случайные отклонения в данных, затрудняющие извлечение полезных сведений.

Примеры использования: Шумы в цифровых изображениях, помехи в звуковой записи.

Область использования: Обработка сигналов, очистка данных.

Энтропия (Entropy)

Определение: Мера неопределённости или непредсказуемости распределения вероятностей.

Примеры использования: Определение степени хаоса в системе.

Область использования: Информатика, статистика, теория информации.

Эксперимент (Experiment)

Определение: Проведение серии тестов и испытаний для проверки гипотез и поиска оптимальных параметров модели.

Примеры использования: Эксперименты с разными архитектурами нейронных сетей.

Область использования: Научные исследования, разработка новых методик.