এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
স্পেকট্রাল ক্লাস্টারিং
একটি আনসুপারভাইজড ক্লাস্টারিং টেকনিক যা ডাইমেনশন রিডাকশনের আগে একটি সিমিলারিটি ম্যাট্রিক্সের আইজেনভ্যালু ব্যবহার করে। এই পদ্ধতিটি জটিল ডেটাতে নন-কনভেক্স স্ট্রাকচার শনাক্ত করার জন্য বিশেষভাবে কার্যকর।
সিমিলারিটি ম্যাট্রিক্স
একটি বর্গাকার সিমেট্রিক ম্যাট্রিক্স যেখানে প্রতিটি উপাদান S[i,j] ডেটা পয়েন্ট i এবং j এর মধ্যে সাদৃশ্যের মাত্রা প্রতিনিধিত্ব করে। এটি স্থানীয় পর্যবেক্ষণগুলির মধ্যে সম্পর্ক এনকোড করে স্পেকট্রাল ক্লাস্টারিংয়ের ভিত্তি গঠন করে।
ল্যাপ্লাস ম্যাট্রিক্স
একটি বিচ্ছিন্ন ডিফারেনশিয়াল অপারেটর যা L = D - W হিসাবে সংজ্ঞায়িত করা হয়, যেখানে D হল ডিগ্রি ম্যাট্রিক্স এবং W হল গ্রাফের ওজন ম্যাট্রিক্স। এই ম্যাট্রিক্স ডেটার জ্যামিতিক কাঠামো ক্যাপচার করে এবং এর আইজেনভেক্টরগুলি প্রাকৃতিক ক্লাস্টার প্রকাশ করে।
সিমিলারিটি গ্রাফ
একটি গ্রাফিক্যাল উপস্থাপনা যেখানে নোডগুলি ডেটা পয়েন্টের সাথে মিলে যায় এবং এজগুলি তাদের সাদৃশ্য ওজন করে। এই কাঠামো ডেটাতে প্রাকৃতিক গ্রুপিং আবিষ্কারের জন্য গ্রাফ থিওরির তত্ত্ব প্রয়োগ করতে সক্ষম করে।
স্পেকট্রাল কে-মিনস
স্পেকট্রাল ক্লাস্টারিং এবং কে-মিনস অ্যালগরিদমের সংমিশ্রণ যা আইজেনভেক্টর স্পেসে প্রয়োগ করা হয়। এই পদ্ধতিটি স্পেকট্রাল ক্লাস্টারিংয়ের ডাইমেনশন রিডাকশন এবং কে-মিনসের বাস্তবায়নের সরলতার সুবিধা নেয়।
আইজেনস্পেস
একটি ভেক্টর সাবস্পেস যা একটি প্রদত্ত আইজেনভ্যালুর সাথে যুক্ত আইজেনভেক্টর দ্বারা বিস্তৃত। স্পেকট্রাল ক্লাস্টারিংয়ে, নন-জিরো ক্ষুদ্রতম আইজেনভ্যালুর আইজেনস্পেস ডেটার একটি নতুন উপস্থাপনা গঠন করে যা ক্লাস্টারিং সহজ করে।
অ্যাডজেসেন্সি ম্যাট্রিক্স
একটি বর্গাকার ম্যাট্রিক্স যেখানে A[i,j] = 1 যদি গ্রাফে একটি এজ ভার্টেক্স i এবং j কে সংযুক্ত করে, অন্যথায় 0। এটি স্পেকট্রাল ক্লাস্টারিংয়ে ব্যবহৃত সিমিলারিটি গ্রাফের কানেক্টিভিটি স্ট্রাকচার প্রতিনিধিত্ব করে।
ডিগ্রি ম্যাট্রিক্স
একটি ডায়াগোনাল ম্যাট্রিক্স যেখানে প্রতিটি ডায়াগোনাল উপাদান D[i,i] ভার্টেক্স i-তে ঘটে যাওয়া এজের ওজনের যোগফল প্রতিনিধিত্ব করে। এই ম্যাট্রিক্সটি ল্যাপ্লাস ম্যাট্রিক্স তৈরি করতে এবং সিমিলারিটি গ্রাফকে নরমালাইজ করতে অপরিহার্য।
স্পেকট্রাল নরমালাইজেশন
সংখ্যাগত গণনা স্থিতিশীল করতে এবং ক্লাস্টারিংয়ের গুণমান উন্নত করতে ল্যাপ্লাসিয়ান ম্যাট্রিক্সের স্বাভাবিকীকরণ কৌশল। প্রতিসম স্বাভাবিকীকরণ L_sym = I - D^(-1/2)WD^(-1/2) সাধারণত ব্যবহৃত হয়।
স্পেকট্রাল সেগমেন্টেশন
চিত্র বা ভলিউমগুলিকে সুসংগত অঞ্চলে বিভক্ত করার জন্য বর্ণালী ক্লাস্টারিংয়ের প্রয়োগ। এই পদ্ধতিটি ভিজ্যুয়াল ডেটাতে প্রাকৃতিক সীমানা সনাক্ত করতে পিক্সেলগুলির মধ্যে বর্ণালী সাদৃশ্য কাজে লাগায়।
ক্লাস্টারিং সহগ
গ্রাফে একটি নোডের চারপাশের সংযোগের স্থানীয় ঘনত্ব পরিমাপ করে। এই সহগটি সাদৃশ্য ম্যাট্রিক্সের নির্মাণকে প্রভাবিত করে এবং বর্ণালী ক্লাস্টারিং দ্বারা চিহ্নিত ক্লাস্টারগুলির গুণমানকে প্রভাবিত করতে পারে।
কে-নিকটতম প্রতিবেশী গ্রাফ
একটি সাদৃশ্য গ্রাফের প্রকার যেখানে প্রতিটি নোড একটি প্রদত্ত মেট্রিক অনুসারে তার k নিকটতম প্রতিবেশীর সাথে সংযুক্ত থাকে। এই পদ্ধতিটি ক্লাস্টারিংয়ের জন্য অপরিহার্য স্থানীয় কাঠামো সংরক্ষণ করার সময় গ্রাফের ঘনত্ব হ্রাস করে।
গাউসিয়ান কার্নেল
সাদৃশ্য ম্যাট্রিক্সে ওজন গণনা করতে ব্যবহৃত সাদৃশ্য ফাংশন K(x,y) = exp(-||x-y||²/2σ²)। প্যারামিটার σ সাদৃশ্যের স্কেল নিয়ন্ত্রণ করে এবং গ্রাফের সংযোগকারিতা প্রভাবিত করে।
স্বাভাবিক ল্যাপ্লাসিয়ান ম্যাট্রিক্স
[0,2] ব্যবধানে আইগেনভ্যালু পাওয়ার জন্য ল্যাপ্লাসিয়ান ম্যাট্রিক্সের স্বাভাবিক সংস্করণ। প্রতিসম ফর্ম L_rw = I - D^(-1)W পরিবর্তনশীল আকারের ডেটা ক্লাস্টারিংয়ের জন্য বিশেষভাবে উপযুক্ত।
আইগেন ডিকম্পোজিশন
একটি ম্যাট্রিক্সের আইগেনভ্যালু এবং আইগেনভেক্টর খুঁজে বের করার গাণিতিক প্রক্রিয়া। বর্ণালী ক্লাস্টারিংয়ে, এই গুরুত্বপূর্ণ ধাপটি ক্লাস্টারিং সমস্যাটিকে একটি হ্রাস মাত্রার স্থানে পার্টিশনিং সমস্যায় রূপান্তরিত করে।
গ্রাফ পার্টিশনিং
সেটগুলির মধ্যে সংযোগ কমানোর জন্য একটি গ্রাফের শীর্ষবিন্দুগুলিকে পৃথক সেটে বিভক্ত করার মৌলিক সমস্যা। বর্ণালী ক্লাস্টারিং ল্যাপ্লাসিয়ান ম্যাট্রিক্সের আইগেনভেক্টর ব্যবহার করে এই সমস্যার সমাধান করে।