Mašininio ir giliojo mokymosi sąvokų žodynas
Jei turima neaiški sąvoka, kviečiu užpildyti Issue, jei turite pasiūlymų/pildymų kviečiu pateikti PR. Arba kreiptis el.paštu: [email protected]
| Sąvoka | Vertimas | Pastabos/paaiškinamas |
|---|---|---|
| Action | Veiksmas | |
| Adaptive Instance Normalization (AdaIN) | Adaptyvi tiesioginė normalizacija | |
| Advantage | Pranašumas | Skatinamojo mokymo srityje dažnai naudojama pranašumo funkcija (max_a Q(s, a) - V(s)) matuojanti kokį pranašumą gali išgauti tam tikras veiksmas |
| Advantage Actor Critic model | Pranašumo aktoriaus-kritiko modelis | |
| Accuracy | Tikslumas | |
| Activation function | Aktyvacijos funkcija | |
| Activation map | Aktyvacijų žemėlapis | Atliekant konvoliucijos operacijas, suskaičiuotos reikšmės vadinamos aktyvacijų žemėlapiais. |
| AI agent | DI agentas | |
| AI bias and fairness | DI šališkumas ir teisingumas | |
| AI component | DI komponentas | |
| AI developer | DI kūrėjas | |
| AI ecosystem | DI ekosistema | |
| AI evaluator | DI vertintojas | |
| AI explainability | DI paaiškinamumas | |
| AI function | DI paskirtis | |
| AI platform provider | DI platformos teikėjas | |
| AI predictability | DI prognozuojamumas | |
| AI provider | DI teikėjas | |
| AI reliability | DI patikimumas | |
| AI resilience | DI atsparumas | |
| AI robustness | DI robastiškumas | |
| AI stakeholder roles | DI suiteresuotųjų šalių vaidmenys | |
| AI subject | DI subjektas | |
| AI system integrator | DI sistemos integruotojas | |
| AI system life cycle | DI sistemos gyvavimo ciklas | |
| AI system life cycle model | DI sistemos gyvavimo ciklo modelis | |
| AI system life cycle stages and processes | DI sistemos gyvavimo ciklo būsenos ir procesai | |
| AI transparency | DI skaidrumas | |
| AI users | DI naudotojai | |
| AI verification and validation | DI verifikavimas ir validavimas | |
| Affine transform | Afininė transformacija | |
| Anchors | Atraminiai stačiakampiai | Trejetų nuostolių funkcijoje naudojant vaizdų analizėje, vartoti - atraminis vaizdas |
| Artificial Intelligence | Dirbtinis intelektas | |
| Attention mechanism | Dėmesio sutelkimo transformacija/mechanizmas | |
| Average pooling layer | Sutelkimo vidurkinant sluoksnis | |
| Average precision | Vidutinis preciziškumas | |
| Backbone | Fundamentas | For creating our model fine-tuning of the backbone of ResNet50 model as feature extractor was used. Sukuriant naują modelį, buvo naudojami kintamieji, gauti naudojant ResNet50, kaip fundamentalų modelį. |
| Batch | Duomenų rinkinys | |
| Batch normalization | Rinkinio normalizacija | |
| Backpropagation algorithm | Atgalinio sklidimo algoritmas | |
| Backpropagation through time (BPTT) | Atgalinis sklidimas laike | |
| bias | šališkumas | |
| Bilinear sampling | Dvitiesinis atsitiktinis atrinkimas | |
| Bidirectional long short-term memory | Dvikryptis ilgos trumpalaikės atminties modelis | |
| Body joints | Kūno sanariai | |
| Bounding box | Stačiakampis | |
| Bias | Laisvasis narys | Jei bias kaip sąvybė - tai paslinktas, jei kaip kintamasis laisvasis narys. |
| Binary classification | Dviejų klasių klasifikavimas | |
| Capsule neural network | Kapsulinis neuroninis tinklas | |
| Cascade Classifier | Pakopinis klasifikatorius | |
| Causal inference | Priežastingumo analizavimas | Tai procesas nustatyti priežastingumo ryšius. Nemaišyti su koreliacija, jei dydžiai koreliuoti, nebūtinai jie įtakoja vienas kitą. |
| Character-based tokenization | Teksto skaidymas į teksto vienetus procesas teksto vienetams priskiriant unikalius teksto simbolius. | |
| Cyclic consistency | Cikliškai pastovus | |
| Computer vision | Kompiuterinės regos | |
| Confidence map | Pasikliovimo žemėlapis | |
| Confusion matrix | Klasifikavimo lentelė | |
| Continuous learning | Nuolatinis mokymasis | |
| Content image | Turinio paveikslas | |
| Convolutional layer | Konvoliucinis sluoksnis | Konvoliucinis sluoksnis, tai konvoliucijomis grįstų transformacijų taikymas duotai įvesčiai. Sluoksnio branduoliai dažniausiai laikomi, kaip nežinomi modelio parametrai, kurie įvertinami iš duomenų. |
| Convolutional neural networks | Konvoliuciniai neuroniniai tinklai | |
| Convolutional operation | Konvoliucijos operacija | Nors turime sąsūkos operacijas, konvoliucijos operacijos sąvoka turėtų būti neatsiejama nuo konteksto |
| Continual learning | Tęstinis mokymasis | Continual learning (CL) are designed to accumulate and improve knowledge in a curriculum of learning-experiences without forgetting. Tęstinis mokymas, yra koncepcija rinkti ir tobulinti modelio žinias, neužmirštant senų užduočių. Pavyzdžiui apmokitnas vaizdų klasifikatorius gebėti atskirti 1000 vaizdų klasių, adaptuotas kitai užduočiai išmokti atpažinti mažiau klasių "užmiršta" pradinę užduotį ir nėra tęstinio mokymo pavyzdys. |
| Cost function | Kaštų funkcija | Nuostolių/kaštų funkcijos - vartojamos, kaip sinonimai priklausomai nuo konteksto. |
| Cost-sensitive learning | Kaštams jautrus mokymasis | |
| Clipped Surrogate function | Apkarpyta surogatinė funkcija | |
| Cross-attention | kryžminis dėmesio sutelkimas | |
| Cross-entropy | Kryžminė entropija | |
| data acquisition | duomenų rinkimas | |
| data annotation | duomenų anotavimas | |
| data labelling | duomenų žymėjimas | |
| Data augmentation | Duomenų augmentacijos | |
| dataset | duomenų rinkinys | |
| Denoising | triukšmo šalinimas | |
| Dilated convolution | Praretintos konvoliucijos operacija | |
| Directed | Orientuotas | |
| Discounted future reward | Diskontuotas ateities atlygis | Alternatyva: geometriškai pasvertas ateities atlygis |
| Dynamic routing | Dinaminis maršrutizavimas | |
| Dynamic time warping models | Dinaminis laiko atstatymo modelis | |
| Dead ReLU problem | Dingusio dalimis tiesinio vieneto gradiento problema | ReLu aktyvacija sprendžia gradientų sprogimo problemą, nes funkcijos išvestinė lygi vienetui jei x > 0. Tačiau, gradientų nykimo problema analogišku atveju ir vadinama taip. |
| Decision | Sprendimas | |
| Decision boundary | Skiriamoji sritis | |
| Deep fake | Vaizdinė klastotė | |
| Deep learning | Gilusis mokymasis | |
| Depth | Gylis | |
| Depth map | Gylio žemėlapis | 3D kameros, fiksuojančios ne tik RGB spalvos kanalus, bet ir atstumą iki objekto ir išduoda gylio žemėlapį. |
| Dropout | Atsitiktinio praretinimo transformacija | |
| Dot product | Skaliarinė sandauga | |
| Edge maps | Kraštų žemėlapis | We found edge image. Paskaičiavome surastų kraštų vaizde paveikslėlį. |
| Embeddings | Įterpiniai | |
| Eigen vector | Tikrinis vektorius | |
| Eigen value | Tikrinė reikšmė | |
| Eigenspace | Tikrinių vektorių erdvė | |
| Egocentric action recognition | Egocentrių veiksmų atpažinimas | |
| Embeddings space | Įterpinių reprezentacijų erdvė | |
| Ensemble | Ansamblis | Metodas, kai naudojami ne vieno modelio spėjimai, bet kelių modelių spėjimai, galų gale imant didžiausią/mažiausią/suvidurkintą/populiariausią (priklausomai nuo taikymo) reikšmę |
| Epoch | Epocha | |
| Episode | Epizodas | |
| Epsilon-greedy algorithm | Epsilion godus algoritmas | Algoritmas, kuris su tikimybe ε parenka atsitiktinį veiksmą, ir su tikimybe 1-ε parenka veiksmą pagal dabartinę strategiją |
| Error | Paklaida | |
| Estimate | Įvertis | Įvertinio nežinomo parametro reikšmė, gauta kaip įvertinimo rezultatas. |
| Estimator | Įvertinys | Statistika (funkcija) parametrams ivertinti. |
| Expectation-maximization (EM) | Vidurkio maksimizavimo metodas | |
| Expectation-maximization for segmentation | Vidurkio maksimizavimo metodas segmentavimui | |
| Exponential linear unit (ELU) | Eksponentinis tiesinis vienetas | $$ELU_a(x) = \begin{cases} 1, & x > 0\ a \cdot (\exp(x) - 1), & x \leq 0 \end{cases},\quad $$, čia a yra konstanta. |
| Exposure | Atvirumas | |
| Exploration algorithms | Tyrinėjantis algoritmas | |
| Exploding gradient problem | Sprogstančių gradientų problema | Vertinant nežinomus parametrus gradientiniais metodais, kai turime sudėtingą modelį taikome diferenciavimo taisyklę $$ \begin{eqnarray*} \frac{\partial \mathcal{L}}{\partial heta_{k}^1} = \frac{\partial \mathcal{L}}{\partial \theta_{z}^L} \frac{\partial \theta_{z}^L}{\partial \theta_{z}^{L-1}} \cdot \cdot \cdot \frac{\partial \theta_{z}^{1}}{\partial \theta_{k}^1} \end{eqnarray*}$$, tačiau jei narių skaičius didelis, ir apskaičiuotos dalinių išvestinių reikšmės didelės, galutinė reikšmė greitai sprogsta. Tai ir vadinama sprogstančių gradientų problema. |
| Exploitation algorithms | Išnaudojantysis algoritmas | Alternatyva: dabartinėmis žiniomis besiriamentis algoritmas. Pavyzdys: While in explotaition we pay reward on identity new actions, |
| 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 |
|
| 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 | |
| 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 |
|
| 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 |
|
| 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 |
|
| 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 |