Mašininio ir giliojo mokymosi sąvokų žodynas

Jei turima neaiški sąvoka, kviečiu užpildyti Issue, jei turite pasiūlymų/pildymų kviečiu pateikti PR. Arba kreiptis el.paštu: linas.petkevicius@mif.vu.lt

the explotation concentrates on making efficient decition now. Jei tyrinėjantis algoritmas suteikia atlygį naujiems (prieštai nebandytiems) sprendimams (veiksmams), tai dabartinėmis žiniomis besiriamentis algoritmas maksimizuoja trumpalaikį atlygį iš dabartinės situacijos.| | Federated machine learning | Federuotas mašininis mokymas | | | F1 measure | F1 statistika | | |Feature extractor | informatyvių požymių ištraukimo metodas || |Feature space|Požymių erdvė|| |Few-shot learning | Modelio adaptavimas naujai užduočiai iš kelių pavyzdžių || | Identity | Tapatybė | | | Fraud detection | Sukčiavimo aptikimas | | | Inference | Išvadų darymas | Pavydžiui statistical inference - tai procesas priimti išvadas apie duomenis atsižvelgiant į statistines duomenų sąvybes | | Image Enhancement | Vaizdo patobulinimas | | | Image quality assessment | Vaizdų kokybės vertinimas | | | Image similarity metrics | Vaizdų panašumo metrikos | | |Imbalanced data|Nesubalansuotų duomenų aibė|| | Input | Įvestis | | | Input gate | Atidarymo sklendė | | | Instant segmentation | Tiesioginė segmentacija | | | Internal state | Vidinė būsena | | | Intersection over union (IOU) | Susikirtimas padalintas iš sąjungos | | | Inter-class similarity and intra-class variability problem | Išsibasrtymo klasių viduje ir tarp klasių problema. | | | Inter-frame attention encoder | Autoenkoderis su dėmesio sutelkimo mechanizmu paveikslėlyje | | | Iteration | Iteracija | | | Iterative reconstruction algorithm | Iteratyvus rekonstrukcijos algoritmas | | | F_1 score | F_1 statistikos reikšmė | | | Fine-tune | Adaptuoti | Alternatyva: pritaikyti | | Features | Požymiai | | | Feature pyramid networks | Piramidinis požymių tinklas | | | Feature map | Požymių žemėlapiai | Požymių žemėlapiai tai tarpiniai skaičiavimai (paslėptų sluoksnių reikšmės), kurias tyrimuose dažnai naudoja kaip žemo/aukšto lygio požymius, t.y. kurie gerai užkoduoja nagrinėjamus duomenis. | | Flatten layer | Ištiesinimo sluoksnis | | | Forward pass | Tiesionis skaičiavimas | Alternatyva:Sklidimas į priekį | | Feedforward | Tiesioginio sklidimo | | | Frechet inception distance | Frešė atstumas vaizdams | Galima vartoti ir Fréchet atstumas vaizdams. Frešė atstumas yra metrika tarp dviejų skirstinių, o Frešė atstumas vaizdams - apibendrinimas taikyti vaizdams. | | Forgot gate | Užmiršimo sklendė | | | Focal loss | Židinio nuostolių funkcija | | | Fully connected layer | Pilnai sujungtų sąryšių sluoksnis | | | Fully Convolutional Network | Pilnai konvoliucinis tinklas | | | Generalization | Generalizacija | Mokinant sudėtingus modelius turime dalį visų galimos aibės pavyzdžių. Visgi jei modelis generalizuojasi, jis gali pakankamai gerai įvertinti visus tarpinius atvejus. | | Generative Adversarial Networks (GAN) | Generatyviniai adversariniai tinklai | Alternatyva: 1) Generatyviniai priešiški tinklai 2) Generatyviniai konkuruojantys tinklai | | Graph sparsification | Grafo išretinimas | | | Gradient Descent | Gradientinis nusileidimas | | | Gray Level Co-occurrence Matrix (GLCM) | Juodai baltų spalvos lygių atsikartojimų matrica | | | Gated recurrent unit (GRU) model | Sklendžių rekurentinių vienetų modelis | | | Gaussian error linear unit (GELU) | Gausinis tiesinis vienetas | $$GELU(x) = x \Phi(x)$$ čia $\Phi(x)$ normalaus a.d. pasiskirstymo f-ja. | | Gate | Sklendė | Rekurentiniuose neuroniniuose tinkluose signalio kelias yra įgalinamas arba išjungiamas praveriant arba uždarant sklendę. | | Hidden layers | Paslėpti sluoksniai | | | ground truth | etalonas | | | Histogram of oriented gradients (HOG) | Kryptinių gradientų histograma | | | Hyperparameter | Hiperparametras | Parametrais laikome tokius kintamuosius, kurie laikomi nežinomais ir yra vertinami iš duomenų. Hiperparametrais laikome tokius kintamuosius, kurie nusako modelio konfigūraciją ir yra fiksuoti ir parinkti. Pavyzdžiui mokymo žingsnis. | | Kernel | Filtro branduolys | Kernel mašininio mokymo kontekste verčiamas, kaip branduolys. Konvoliucinių tinklų kontekste - filtro branduolys. | | KDD (knowledge discovery in data) | žinių atradimas duomenyse | | | Label | žymė | | | Large language models | Dideli kalbos modeliai | | | Learning rate | Mokymo žingsnis | | |Learning rate scheduler | mokymo žingsnio planuotojas || | Leaky ReLU | Pralaidus dalimis tiesinis vienetas | $$Leaky ReLU(x) = \begin{cases} 1, & x > 0\ -a x, & x \leq 0 \end{cases},\quad $$, čia a yra konstanta. | | life cycle | gyvavimo ciklas | | | L2 norm pooling | Sutelkimo imant L2 normą sluoksnis | | | Local receptive fields | Lokali matymo sritis | Taikant konvoliucinius neuroninius tinklus įeities matricai taikome konvoliucijos operaciją. Sritis, kurią apima duotas branduolys, ir yra ta lokali matymo sritis. | | Loss | Nuostoliai | | | Loss computation | Nuostolių apskaičiavimas | | Loss function | Nuostolių funkcija |Tiklo funkcija (objective function) - apibrėžtas sprendžiamas uždavinys. Praktikoje gali būti įvairus, pavyzdžiui maksimizuoti tikimybinį pasiskirtymą (P1) ar daugelių tikslų uždavinį (P2). Tam praktikoje konstruojame nuostolių funkciją (loss function) - praktikoje dažnai minimizuojamą funkciją, kurią optimizuodami ieškome nežinomų modelių parametrų (pvz. P1 - neigiama log-tikėtinumo funkcija, P2 - tiesinė kelių uždavinių mažiausių kvadratų funkcija ir pan.). Nuostolių/kaštų funkcijos - vartojamos, kaip sinonimai priklausomai nuo konteksto.| | | Layers | Sluoksnis | | | Leakage | Duomenų nutekėjimas | Tai procesas, kai modelis testuojamas ne ant visiškai nematytų realistiškų duomenų (kas atitinka realius bandymus), bet ant tokių duomenų, kurių dalys pasitaikė ir vertinant modelio parametrus. Pavyzdys: pacientams daromos kelios tyrimų nuotraukos; eksperimento metu atsitiktinai atrenkamas testavimo duomenų rinkinys; Testavimas turi duomenų nutekėjimą, ir toks eksperimentas yra nevalidus; Nepriklausomas testavimo rinkinys reikalautų, jog nė vienas paciento stebėjimas esantis testavimo rinkinyje, nebūtų naudojamas vertinant modelio parametrus (apmokymo metu). | | Lemmatization | Pagrindinės žodžio formos nustatymas | | | Long short-term memory (LSTM) | Ilgos trumpalaikės atminties modelis | | | Machine learning | Mašininis mokymas | | |Majority class|Dažniausia klasė|| | Markov | Markovo | Turintis Markovo savybę – kiekviena būsena atspindi pilną informaciją reikalingą optimaliam sprendimui priimti, t.y., praeitis yra nereikšminga numatant ateitį, svarbi tiktai esamojo laiko informacija | | Markov decision process | Markovo sprendimo priėmimo procesas | | | Mask | Užmaskavimas | | | Masked depth maps | Užmaskuotas gylio žemėlapis | | | Max pooling layer | Sutelkimo imant maksimalią reikšmę sluoksnis | | | Mean squared error (MSE) | Vidutinė kvadratinė paklaida | | | Mel-frequency transformation | Mel transformacija | | | Memory cell | Atminties lastelė | | | Min-max normalization method | Min-maks. normalizacija | | |Minority class|Rečiausia klasė|| | Momentum | Inercija | | | Motion | Judėjimas | | | Mutual-attentional fusion block | Bendro dėmesio sutelkimo apjungimo blokas | | | Multiclass classification | Daugelio klasių klasifikavimas | | | Multilabel classification | Daugelio žymenų klasifikavimas | | | Multilayer perceptron | Daugiasluoksnis perceptronas | | | Multitask learning | Daugiatikslis mokymas | | | named entity recognition NER | įvardytų esybių atpažinimas | | | narrow AI | siaurasis DI | | |Negative class|Neigiama klasė|| |Negative instances|Neigiami pavyzdžiai|| | optical character recognition OCR | optinis simbolių atpažinimas | | | Natural language processing (NLP) | Skaitmeninis natūraliosios kalbos apdorojimas | | | Nearest neighbour upsampling | Išplėtimas taikant artimiausio kaimyno metodą | | | Neurons | Neuronas | | | Neural Style Transfer | Neuroniniais tinklais paremtas vaizdų stiliaus perkėlimas | | |Noise scheduler | triukšmo keitimo planuotojas || | Noise-contrastive estimation | Kontrastinis triukšmo vertinimas | | | Non-Stationary | nestacionarus | Non-stationary process is such when unconditional joint probability distribution does change when shifted in time. Procesas nestacionarus, jei bendras skirstinys kinta laike. | | Non-linear model | Netiesinis modelis | | | Non-maximum suppression algorithm | Ne maksimalaus apjungimo algoritmas | | | Object detection | Objektų aptikimas | | | Objective function | Tikslo funkcija | Tiklo funkcija (objective function) - apibrėžtas sprendžiamas uždavinys. Praktikoje gali būti įvairus, pavyzdžiui maksimizuoti tikimybinį pasiskirtymą (P1) ar daugelių tikslų uždavinį (P2). Tam praktikoje konstruojame nuostolių funkciją (loss function) - praktikoje dažnai minimizuojamą funkciją, kurią optimizuodami ieškome nežinomų modelių parametrų (pvz. P1 - neigiama log-tikėtinumo funkcija, P2 - tiesinė kelių uždavinių mažiausių kvadratų funkcija ir pan.). Nuostolių/kaštų funkcijos - vartojamos, kaip sinonimai priklausomai nuo konteksto. | | Observation | Stebėjimai | | | Occlusion | Uždengimas | Object was not visible due occlusion. Objektas buvo nematomas dėl uždengimo. | | Open data | Atviri duomenys | | | Open-source | Atviro kodo | | | Output | Išvestis | | | Output gate | Išvesties sklendė | | | Over-fitting | Persimokymas | | | Padding | Papildymo transformacija | Sekų/teksto uždaviniuose dažnai nagrinėjami statiniai modeliai, tada įvesčiai esant trumpesnei reikia kažkaip užpildyti likutinę dalį. Papildymo transformacija užpildo likutines įvestis pagal taisyklę (Sekose dažnas papildymas nuliais, tekste - dažnas papildymas tuščiais teksto vienetais [pad])| | Probably approximately correct (PAC) learning | Apytikslis mokymasis pagal tikimybę | In PAC learning the learner receives samples and must select a generalization function (called the hypothesis) from a certain class of possible functions. Apytikslis mokymasis pagal tikimybę gautai duomenų imčiai turi parinkti geriausiai begeneralizuojančią funkciją iš tam tikros funkcijų klasės.| | Part affinity fields (PAR) | Sričių afininiai laukai | | | Parametric ReLU | Parametrizuotas dalimis tiesinis vienetas | $$ParametricReLU_a(x) = \begin{cases} 1, & x > 0\ -a x, & x \leq 0 \end{cases},\quad $$, čia a yra vertinamas parametras. | | Pattern | Šablonas | | | Peak signal to noise ratio | Maksimalaus signalo ir triukšmo santykis | | | Pixel intensity | Pikselio intensyvumas | | | Perceptual | Suvokimas | | | Perceptual path | Suvokimo srities | | | Perceptual path Length | Suvokimo srities vertės | | | Permutation | Perstatymas | | | Policy | Strategija | | |Positive class|Teigiama klasė|| |Positive instances|Teigiami pavyzdžiai|| | Phase artifacts | Poziciniai artefaktai | | | Point biserial correlation | Dviserijinė taškinė koreliacija || | Policy gradient | Strategijos gradientas | | | Pooling transformation | Sutelkimo transformacija | | | Pooling layer | Sutelkimo sluoksnis | Sutelkimo sluoksnis taikomas giliuose neuroniniuose tinkluose, kaip transformacija visam sluoksniui. Sutelkimo sluoksniai, dažniausiai neturi vertinamų parametrų ir tik agreguoja išvesčių rezultatus. | | Privacy-Preserving algorithms | Privatumą išsaugantys algoritmai | | | Precision | Preciziškumas | | | Prediction | Prognozė | | | Probability map | Tikimybių žemėlapis | | | Proximal Policy Optimization | Stategijos artutinis optimizavimas | | | Online learning | Nuolatinis mokymasis | | | One-hot variables | Fiktyvūs kintamieji | One-hot coding, tai procesas užkoduoti kategorijas priskiriant atitinkamai kategorijai vienetuką, o kitoms nulį. Statistikoje, tai suprantama, kaip fiktyvių kintamųjų sukurimas. | |One-shot learning | Modelio adaptavimas naujai užduočiai iš vieno pavyzdžio || | Optical flow | Optinis srautas | | | Overfitting | Persimokymas | Tai procesas, kai įvertinami paslinkti modelio parametrai, dėl jų vertinimo tik ant dalies duomenų. Tokiu atveju praktikoje pasikeistus duomenų pasiskirstymui, modelis netinkamas. | |Oversampling|Pavyzdžių perteklinis įtraukimas|| | Real-time | Realaus laiko/realiu laiku | | | Relative position normalization | Realiatyvios pozicijos normalizavimas | | | Recall | Atkūrimo statistika | Alternatyva jautrumas. Skaičiuojama taip pat kaip jautrumo statistika. | | Rectified Linear Unit (ReLu) | Dalimis tiesinis vienetas | $$relu(x) = max(0, x)$$| | Recurrent neural networks (RNN) | Rekurentiniai neuroniniai tinklai | | | Reinforcement learning | Skatinamasis mokymas | | | Region proposal network | Sričių pasiūlymo tinklas | | | Regions of interest (ROI) | Dominančios sritys | | | Reguliarization | Reguliarizacija | Reguliarizacija, tai baudos/papildomų kaštų pridėjimas prie skaičiuojamos nuostolių funkcijos, įgalinanti atsižvelgti į iškeltus apribojimus. | | Restricted Boltzmann machines | Bolcmano mašina su apribojimais | | | Reset gate | Atstatymo sklendė | | | Relation | Saveikos | | | Residual Network (ResNet) | Liekanų neuroninis tinklas | žr. Deep Residual Learning for Image Recognition| | Reward | Atlygis | | | risk | rizika | | | robustness | robastiškumas | | | Saturates | Spalvų sodrumas | | | Shared weights | Bendri parametrai | Pavyzdžiui Siamo neuroniniai tinklai naudoja bendrus sluoksnius skritinguose, modeliuose. | | Score | Statistikos vertė | | | Scaled exponential linear unit (SeLu) | - | $$selu(x) = \lambda \begin{cases} 1, & x > 0\ \alpha e^{x}, & x \leq 0 \end{cases},\quad \lambda=1.0507,\alpha=1.6733. $$ | | Sigmoid-weighted linear unit (SiLU) | Pasvertas sigmoidinis tiesinis vienetas | $$\sigma(x) = \frac{x}{1 + e^{-x}} = x \sigma(x)$$. žr. Švituojanti aktyvacijos funkcija | | Semantic segmentation | Semantinis segmentavimas | | | semantic computing | semantinė kompiuterija | | | semi-supervised machine learning | pusiau prižiūrimas mašininis mokymasis | | | Segmentation | Segmentavimas | | | Segmentation color-based | Segmentacija grįsta spalvų lyginimu | | | Segmentation region-based | Segmentacija grįsta kraštų radimu | | | Sensitivity | Jautrumas | | | Sequential data | Nuoseklūs duomenys | | | Shift invariance | Postūmiui invariantiškas | | | Shape | Forma | | | Shape mask | Formos užmaskavimas | | | Shape model | Formos modelis | | | self-attention pooling | Sutelkimas taikant dėmesio sutelkimo mechanizmą | | | Self-occlusion | Uždengimas savimi | Left ear was not visible due turned face. Kairės ausies nebuvo galima matyti dėl pasukto veido. | | Self-supervised progressive ranking loss | Adaptyvi rankingo nuostolių funkcija | | | Salient points | Svarbiausi taškai | | | Sigmoid | Sigmoidas | $$\sigma(x) = \frac{1}{1 + e^{-x}} $$, | | Skip connections | Praleidimo jungtys | | | Skeleton-based system | Kūno pozos taškais grįsta sistema | | | Skeleton edge motion | Kūno pozos taškų judėjimas | | | Sliding windows | Slenkančio lango | | | Spatial-temporal data | Erdvę ir laikinę informaciją turintys duomenys | | | Spatial branch | Erdvis duomenų pjūvis | | | Style image | Stiliaus vaizdas | | | Spatial Transformer network | Erdvinės transformacinis tinklas | | | Space time interest points | Informatyvūs taškai laike ir erdvėje | | | Sparse activation functions | Praretinta aktyvacijos funkcija | | | Squeeze and recursion temporal gates (SRTG) | Rekursyvi suspaudimo sklendė | | | Soft nearest neighbor | Apytikslūs artimiausi kaimynai | Jei artimiausių kaimynų metodas, randa tikslius artimiausius kaimynus. Tai šis metodas yra diferencijuojamas, įgalinantis greitai ieškoti apytikliai artimų kaimynų. | | Softmax | Eksponentinis normalizavimas / Softmax funkcija | | | Stationary | Stacionarus | | | State | Būsena | | | State value function for policy π | Strategijos π būsenos vertės funkcija | Funkcija, įvertinanti būsenos vidutinį potencialų (diskontuotą) atlygį | | State-action value function for policy π | Strategijos π būsenos-veiksmo vertės funkcija | Funkcija, įvertinanti veiksmo konkrečioje būsenoje vidutinį potencialų (diskontuotą) atlygį | | Stride | Žingsnis | | | Structural similarity index | Struktūrinis panašumas | | | symbolic AI | simbolinis DI | | | Sub-level structural similarity index | Struktūrinis subintensivumų panašumas | | |Subword tokenization | Teksto skaidymas į teksto vienetus procesas teksto vienetams priskiriant unikalias teksto dalis.|| | Sum pooling layer | Telkimo sumuojant sluoksnis | | | Supervised learning | Prižiūrimas mokymas | | | Stemming | Žodžio kamieno išskyrimas | | | Swish activation function | Švituojanti aktyvacijos funkcija | $$\sigma(x) = \frac{x}{1 + e^{-x}} = x \sigma(x)$$ žr. Pasvertas sigmoidinis tiesinis vienetas | | Threshold | Slenkstinė vertė | | | Template | Šablonas | | | Temporal Difference algorithm | Skirtumų laike algoritmas | | | Temporal branch | Laikinių duomenų pjūvis | | | Temporally consistent | Laikiškai pastovus | | | Temporal gates | Laikinė sklendė | | | Test data | Testavimo duomenys | | |text2image | Teksto transformavimas į vaizdą|| |text-image semantic search|jungtinė teksto-vaizdo semantinė paieška || | Transformer | Transformerių neuroninis tinklas | | | Trade-off | Kompromiso riba | "The bias–variance tradeoff is the property of a model that the variance of the parameter estimates across samples can be reduced by increasing the bias in the estimated parameters" - Kompromiso riba tarp paslinktų ir didelį išsibarstymą turinčių įvertinių tai modelio sąvybė laviruoti tarp neužtikrintų (didelį išsibarstymą/riziką) turinčių nepaslinktų ir paslinktų įvertinių su mažu išsibanstymu. | | Training data | Apmokymo duomenys | | | Transformation network | Transformacinis tinklas | | | Trial-and-error search | Paieška bandymų-klaidų būdu | | | Triplet loss function| Trejetų nuostolių (tikslo) funkcija || | Token | Teksto vienetas | Teksto vienetas tai skaitinė reikšmė - indeksas nusakantis fiksuotą simbolį, žodžio dalį arba žodį. | | Tokenization | Teksto skaidymas į teksto vienetus | Teksto skaidymas į teksto vienetus vienareikšmiškai priskiria duotam tekstui sąrašą teksto vienetų (indeksų). | | Tokenizer | Teksto skaidymo į teksto vienetus modelis/transformacija| | |Undersampling|Pavyzdžių neįtraukimas (imties retinimas)|| | Unpooling | Atspaudimas | | | Validation data | Validavimo duomenys | | | Vanishing gradient problem | Nykstančių gradientų problema | Vertinant nežinomus parametrus gradientiniais metodais, kai turime sudėtingą modelį taikome diferenciavimo taisyklę $$ \begin{eqnarray} \frac{\partial \mathcal{L}}{\partial \theta{k}^1} = \frac{\partial \mathcal{L}}{\partial \theta{z}^L} \frac{\partial \theta{z}^L}{\partial \theta{z}^{L-1}} \cdot \cdot \cdot \frac{\partial \theta{z}^{1}}{\partial \theta{k}^1} \end{eqnarray}$$, tačiau jei narių skaičius didelis, ir apskaičiuotos dalinių išvestinių reikšmės mažos, galutinė reikšmė greitai nyksta. Tai ir vadinama nykstančių gradientų problema. | | Value function | Vertės funkcija | | | Variational Auto-Encoder | Variacinis auto-enkoderis | | | Undirected | Neorentuotas | | | Unsupervised learning | Neprižiūrimas mokymas | | | Upsampling | Išplėtimas | | |Variance schedule | dispersijos keitimo planuotojas|| | View layer | Ištiesinimo sluoksnis | | | Weights | Parametrai | | | Weighted entropy-variance method | Pasvertas entropijos-dispersijos metodas | | | Weight matrix | Parametrų matrica | | | Weight update | Parametrų atnaujinimas | | | Word tokenization | Teksto skaidymas į teksto vienetus tai procesas teksto vienetams priskiriant unikalius teksto žodžius. || | Word error rate | Klaidingų žodžių dažnis || | Zoneout | Atsitiktinio išlaikymo transformacija | žr. Atsitiktinio išlaikymo transformacija | | Zero padding | Papildymas nuliais | | |Zero-shot learning | Modelio adaptavimas naujai užduočiai nepateikiant pavyzdžių ||