এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
গভীর কনভোলিউশনাল স্তর
কনভোলিউশনাল নিউরাল নেটওয়ার্কের প্রাথমিক স্তর যা নিম্ন-স্তরের বৈশিষ্ট্যগুলি যেমন কনট্যুর, টেক্সচার এবং মৌলিক জ্যামিতিক আকার সংগ্রহ করে। এই স্তরগুলি সাধারণত ট্রান্সফার লার্নিংয়ের সময় তাদের সার্বজনীন প্যাটার্ন বের করার ক্ষমতার জন্য যেমন আছে তেমন পুনরায় ব্যবহার করা হয়।
প্রি-ট্রেইন্ড নিউরাল নেটওয়ার্ক
গভীর শিক্ষার মডেল যা ইতিমধ্যেই ImageNet-এর মতো বিশাল ডেটাসেটে প্রশিক্ষিত, জেনেরিক বৈশিষ্ট্য নিষ্কাশনের জন্য অপ্টিমাইজড ওজন সহ। এই নেটওয়ার্কগুলি পারফরম্যান্স ফিচার এক্সট্র্যাক্টর প্রদান করে ট্রান্সফার লার্নিংয়ের ভিত্তি হিসেবে কাজ করে।
বৈশিষ্ট্য ভেক্টর
একটি প্রি-ট্রেইন্ড নিউরাল নেটওয়ার্কের মধ্যবর্তী স্তর দ্বারা উত্পাদিত বহুমাত্রিক সংখ্যাসূচক উপস্থাপনা। এই ভেক্টরগুলি একটি কমপ্যাক্ট এবং কাঠামোগত স্থানে ইনপুট ডেটার প্রয়োজনীয় শব্দার্থিক তথ্য এনকোড করে।
আংশিক ফাইন-টিউনিং
ট্রান্সফার লার্নিংয়ের কৌশল যেখানে শুধুমাত্র মডেলের উপরের স্তরগুলি পুনরায় প্রশিক্ষিত হয় যখন নিম্ন স্তরগুলি হিমায়িত থাকে। এই পদ্ধতিটি নির্দিষ্ট লক্ষ্য কাজের জন্য মডেলটি মানিয়ে নেওয়ার সময় জেনেরিক বৈশিষ্ট্যগুলি সংরক্ষণ করে।
স্থির বৈশিষ্ট্য নিষ্কাশন
প্রশিক্ষণের সময় ওজন পরিবর্তন না করে একটি স্ট্যাটিক এক্সট্র্যাক্টর হিসাবে একটি প্রি-ট্রেইন্ড মডেলের নিম্ন স্তরগুলি ব্যবহার করে পদ্ধতি। এই কৌশলটি গণনামূলক খরচ হ্রাস করার সময় নিষ্কাশিত বৈশিষ্ট্যগুলির স্থিতিশীলতা নিশ্চিত করে।
নেটওয়ার্কের নিম্ন স্তর
একটি গভীর নিউরাল নেটওয়ার্কের প্রথম স্তরগুলি প্রাথমিক এবং জেনেরিক প্যাটার্ন সনাক্তকরণে বিশেষীকৃত। এই স্তরগুলি বিভিন্ন কাজ এবং অ্যাপ্লিকেশন ডোমেনের মধ্যে স্থানান্তরযোগ্য সার্বজনীন বৈশিষ্ট্য সংগ্রহ করে।
ভিজ্যুয়াল ডেস্ক্রিপ্টর
একটি প্রি-ট্রেইন্ড মডেলের নিম্ন কনভোলিউটিভ স্তর দ্বারা চিত্রগুলি থেকে নিষ্কাশিত পরিমাণগত বৈশিষ্ট্য। এই ডেস্ক্রিপ্টরগুলি প্রান্ত, টেক্সচার এবং জ্যামিতিক কাঠামোর মতো মৌলিক ভিজ্যুয়াল বৈশিষ্ট্যগুলি উপস্থাপন করে।
লুকানো উপস্থাপনা
একটি প্রি-ট্রেইন্ড নিউরাল নেটওয়ার্কের লুকানো স্তর দ্বারা উত্পাদিত বিমূর্ত এনকোডিং যা ডেটার প্রয়োজনীয় তথ্য সংগ্রহ করে। এই উপস্থাপনাগুলি শব্দার্থবিদ্যা সংরক্ষণ করার সময় মাত্রিকতা হ্রাস করে ডাউনস্ট্রিম কাজের জন্য ভিত্তি হিসেবে কাজ করে।
Features Hiérarchiques
Structure de caractéristiques organisées en niveaux d'abstraction croissante produite par les couches successives d'un réseau profond. Les couches inférieures génèrent des features de bas niveau réutilisables comme primitives pour des tâches variées.
Convolutional Feature Maps
Sorties des couches convolutives représentant des activations spatiales correspondant à la présence de patterns spécifiques. Ces cartes de caractéristiques des couches inférieures sont particulièrement efficaces pour capturer des structures locales réutilisables.
Bottleneck Features
Représentations compressées extraites juste avant les couches de classification d'un réseau pré-entraîné. Ces features de goulot d'étranglement capturent l'information sémantique essentielle dans un format compact idéal pour le transfer learning.
Modèles Pré-entraînés
Architectures d'apprentissage profond avec des poids déjà optimisés sur des datasets de référence comme ImageNet ou COCO. Ces modèles fournissent des extracteurs de caractéristiques prêts à l'emploi pour diverses tâches de vision ou de traitement du langage.
Apprentissage par Transfert
Paradigme d'apprentissage automatique réutilisant les connaissances acquises sur une tâche source pour améliorer les performances sur une tâche cible. Cette approche est particulièrement efficace avec l'extraction de features des couches inférieures de modèles pré-entraînés.
Extraction de Patterns
Processus de détection automatique de structures récurrentes dans les données via les filtres des couches convolutives inférieures. Les patterns extraits servent de building blocks fondamentaux pour des représentations plus complexes.
Représentations Abstraites
Encodages de haut niveau générés par les couches intermédiaires d'un réseau capturant des concepts sémantiques plutôt que des pixels bruts. Ces représentations permettent une meilleure généralisation entre différentes tâches apparentées.
Couches d'Extraction
Ensemble de couches neuronales spécialisées dans la transformation de données brutes en caractéristiques exploitables. Dans le contexte du transfer learning, ces couches proviennent typiquement des niveaux inférieurs de modèles pré-entraînés.
কনভোলিউশনাল বৈশিষ্ট্য
শেখা ফিল্টারগুলির মাধ্যমে ইনপুট ডেটাতে প্রয়োগ করা কনভোলিউশন অপারেশন দ্বারা নিষ্কাশিত বৈশিষ্ট্য। নিম্ন স্তরের এই বৈশিষ্ট্যগুলি স্থানান্তর-অপরিবর্তনশীল স্থানীয় কাঠামো ক্যাপচার করার জন্য বিশেষভাবে কার্যকর।
প্রাক-প্রশিক্ষিত এম্বেডিংস
বৃহৎ ডেটা কর্পাসে ইতিমধ্যে প্রশিক্ষিত মডেল দ্বারা উত্পন্ন ঘন ভেক্টর উপস্থাপনা। এই এম্বেডিংগুলি সমৃদ্ধ শব্দার্থিক সম্পর্ক ক্যাপচার করে এবং বিশেষায়িত কাজের জন্য প্রাথমিক বৈশিষ্ট্য হিসাবে কাজ করতে পারে।