diff --git a/README.md b/README.md index b1659e3..16f5f7b 100644 --- a/README.md +++ b/README.md @@ -8,12 +8,11 @@ Arba kreiptis el.paštu: linas.petkevicius@mif.vu.lt |------------------------------------------------------------|-------------------------------------------------------------|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | Action | Veiksmas | | | Adaptive Instance Normalization (AdaIN) | Adaptyvi tiesioginė normalizacija | | -| Advantage | Pranašumas | | -| Advantage Actor Critic model | Sudėtingas aktoriaus-kritiko modelis | | +| 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 aktivacijų žemėlapiais. | -| Action-value function for policy π | Strategijos π veiksmo reikšmių 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 | | @@ -101,9 +100,10 @@ Arba kreiptis el.paštu: linas.petkevicius@mif.vu.lt | Eigenspace | Tikrinių vektorių erdvė | | | Egocentric action recognition | Egocentrių veiksmų atpažinimas | | | Embeddings space | Įterpinių reprezentacijų erdvė | | -|Ensemble|Ansamblis|| -| Epoch | Epizodas | | -| Epsilon-greedy algorithm | Epsilion godus algoritmas | | +|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. | @@ -113,7 +113,7 @@ Arba kreiptis el.paštu: linas.petkevicius@mif.vu.lt | 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 | Eksplotuojantis algoritmas | Alternatyva: dabartinėmis žiniomis besiriamentis algoritmas. Pavyzdys: While in explotaition we pay reward on identity new actions, +| 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 | | @@ -161,7 +161,7 @@ Jei tyrinėjantis algoritmas suteikia atlygį naujiems (prieštai nebandytiems) | Hidden layers | Paslėpti sluoksniai | | | ground truth | etalonas | | | Histogram of oriented gradients (HOG) | Kryptinių gradientų histograma | | -| Hyperparameter | Hiperparametrai | 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. | +| 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 | | @@ -181,7 +181,8 @@ Jei tyrinėjantis algoritmas suteikia atlygį naujiems (prieštai nebandytiems) | Long short-term memory (LSTM) | Ilgos trumpalaikės atminties modelis | | | Machine learning | Mašininis mokymas | | |Majority class|Dažniausia klasė|| -| Markov decision process | Markovo sprendimo priėmimo procesai | | +| 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 | | @@ -195,7 +196,7 @@ Jei tyrinėjantis algoritmas suteikia atlygį naujiems (prieštai nebandytiems) | Mutual-attentional fusion block | Bendro dėmesio sutelkimo apjungimo blokas | | | Multiclass classification | Daugelio klasių klasifikavimas | | | Multilabel classification | Daugelio žymenų klasifikavimas | | -| Multilayer perceptron | Daugiasluoksnį perceptroną | | +| Multilayer perceptron | Daugiasluoksnis perceptronas | | | Multitask learning | Daugiatikslis mokymas | | | named entity recognition NER | įvardytų esybių atpažinimas | | @@ -272,7 +273,7 @@ OCR | optinis simbolių atpažinimas | | | 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 aktivacijos funkcija | +| 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 | | @@ -297,15 +298,16 @@ OCR | optinis simbolių atpažinimas | | | Spatial-temporal data | Erdvę ir laikinę informaciją turintys duomenys | | | Spatial branch | Erdvis duomenų pjūvis | | | Style image | Stiliaus vaizdas | | -| Spacial Transformer network | Erdvinės transformacinis tinklas | | +| Spatial Transformer network | Erdvinės transformacinis tinklas | | | Space time interest points | Informatyvūs taškai laike ir erdvėje | | -| Sparse activation functions | Praretinta aktivacijos funkcija | | +| 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 | | +| 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 | | @@ -314,10 +316,10 @@ OCR | optinis simbolių atpažinimas | | | Sum pooling layer | Telkimo sumuojant sluoksnis | | | Supervised learning | Prižiūrimas mokymas | | | Stemming | Žodžio kamieno išskyrimas | | -| Swish activation function | Švituojanti aktivacijos funkcija | $$\sigma(x) = \frac{x}{1 + e^{-x}} = x \sigma(x)$$ žr. Pasvertas sigmoidinis tiesinis vienetas | +| 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 | Laikinųjų-skirtumų algoritmas | | +| Temporal Difference algorithm | Skirtumų laike algoritmas | | | Temporal branch | Laikinių duomenų pjūvis | | | Temporally consistent | Laikiškai pastovus | | | Temporal gates | Laikinė sklendė | | @@ -341,7 +343,7 @@ OCR | optinis simbolių atpažinimas | | | Variational Auto-Encoder | Variacinis auto-enkoderis | | | Undirected | Neorentuotas | | | Unsupervised learning | Neprižiūrimas mokymas | | -| Upsampled | Išplėtimas | | +| Upsampling | Išplėtimas | | |Variance schedule | dispersijos keitimo planuotojas|| | View layer | Ištiesinimo sluoksnis | | | Weights | Parametrai | |