এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
স্ট্যাকিং
একটি এনসেম্বল কৌশল যা মেটা-মডেলের মাধ্যমে একাধিক বেস মডেলের পূর্বাভাসকে একত্রিত করে, যা প্রাইমারি মডেলগুলোর পূর্বাভাসের উপর শেখা হয়। এই পদ্ধতি জটিল প্যাটার্ন শনাক্ত করতে সক্ষম যা পৃথক মডেলগুলো একা শনাক্ত করতে পারে না।
ব্লেন্ডিং
স্ট্যাকিংয়ের একটি বৈকল্পিক যেখানে বেস মডেলগুলোর পূর্বাভাস হোল্ড-আউট ভ্যালিডেশন সেট ব্যবহার করে একত্রিত করা হয় ক্রস-ভ্যালিডেশনের পরিবর্তে। ব্লেন্ডিং বাস্তবায়ন করা সহজ কিন্তু ক্লাসিক্যাল স্ট্যাকিংয়ের তুলনায় কম রোবাস্ট হতে পারে।
মেটা-মডেল
স্ট্যাকিংয়ে উচ্চতর স্তরের মডেল যা বেস মডেলগুলোর পূর্বাভাসকে একত্রিত করে চূড়ান্ত পূর্বাভাস তৈরি করতে শেখে। মেটা-মডেল অন্তর্নিহিত মডেলগুলোর প্রতিটি পূর্বাভাসে সর্বোত্তম ওজন নির্ধারণ করে।
বেস মডেল
প্রাথমিক মডেলগুলোর (লেভেল ০) সেট যা একই ইনপুট ডেটার উপর স্বাধীন পূর্বাভাস তৈরি করে। পূর্বাভাসের বৈচিত্র্য সর্বাধিক করার জন্য এই মডেলগুলো ভিন্ন প্রকৃতির হতে পারে (গাছ, এসভিএম, নিউরাল নেটওয়ার্ক)।
আউট-অফ-ফোল্ড পূর্বাভাস
কে-ফোল্ড ক্রস-ভ্যালিডেশনের সময় ভ্যালিডেশন ফোল্ডের ডেটার উপর একটি মডেল দ্বারা তৈরি পূর্বাভাস, যা স্ট্যাকিংয়ে ডেটা লিকেজ এড়াতে অপরিহার্য। এই পূর্বাভাসগুলো মেটা-মডেলের প্রশিক্ষণ ফিচার হিসেবে কাজ করে।
স্ট্যাক্ড জেনারেলাইজেশন
স্ট্যাকিংয়ের আনুষ্ঠানিক শব্দ, একটি মেশিন লার্নিং পদ্ধতি যা ভবিষ্যদ্বাণীমূলক নির্ভুলতা উন্নত করতে একাধিক ক্লাসিফায়ার বা রিগ্রেসরকে একত্রিত করে। এটি একটি শ্রেণিবদ্ধ পদ্ধতি ব্যবহার করে যেখানে লেভেল ০-এর পূর্বাভাসগুলো লেভেল ১-এর ইনপুট হয়ে যায়।
লেভেল-০ মডেল
স্ট্যাকিং আর্কিটেকচারে প্রথম স্তরের মডেল যা মূল ডেটার উপর কাঁচা পূর্বাভাস তৈরি করে। এই মডেলগুলো স্বাধীনভাবে প্রশিক্ষিত হয় এবং তাদের বৈচিত্র্য সামগ্রিক পারফরম্যান্সের জন্য গুরুত্বপূর্ণ।
লেভেল-১ মডেল
স্ট্যাকিং আর্কিটেকচারের শীর্ষে অবস্থিত মেটা-লার্নার মডেল যা লেভেল ০ মডেলগুলোর পূর্বাভাসকে একত্রিত করে। এটি বেস মডেলগুলোর পূর্বাভাসের মধ্যে সর্বোত্তম ওজন এবং ইন্টারঅ্যাকশন শেখে।
ওয়েটেড এভারেজিং
একটি সহজ সমন্বয় কৌশল যেখানে একাধিক মডেলের পূর্বাভাসগুলি অপ্টিমাইজড ওজন দিয়ে গড় করা হয় যাতে পারফরম্যান্স সর্বাধিক হয়। স্ট্যাকিংয়ের বিপরীতে, ওজনগুলি সাধারণত নির্দিষ্ট এবং হিউরিস্টিকভাবে নির্ধারিত হয়।
ভোটিং ক্লাসিফায়ার
একটি এনসেম্বল পদ্ধতি যা একাধিক ক্লাসিফায়ারের পূর্বাভাসগুলি সংখ্যাগরিষ্ঠ ভোট (হার্ড ভোটিং) বা সম্ভাব্যতার গড় (সফট ভোটিং) দ্বারা সমন্বয় করে। এটি স্ট্যাকিংয়ের চেয়ে সহজ কিন্তু বিভিন্ন মডেল সমন্বয়ের জন্য কার্যকরী একটি পদ্ধতি।
সুপার লার্নার
স্ট্যাকিংয়ের একটি অপ্টিমাইজড বাস্তবায়ন যা তাত্ত্বিকভাবে যেকোনো ব্যক্তিগত বেস মডেলের সমান বা উন্নত পারফরম্যান্স নিশ্চিত করে। এই পদ্ধতিতে মেটা-মডেলের জন্য পক্ষপাতহীন পূর্বাভাস তৈরি করতে ক্রস-ভ্যালিডেশন ব্যবহার করা হয়।
হোল্ড-আউট সেট
ব্লেন্ডিং-এ বেস মডেলগুলোর পারফরম্যান্স মূল্যায়নের জন্য আলাদাভাবে সংরক্ষিত ট্রেনিং ডেটার উপসেট। এই সেটটি ওভারফিটিংয়ের ঝুঁকি ছাড়াই মেটা-মডেলের জন্য ফিচার তৈরি করতে ব্যবহৃত হয়।
এনসেম্বল ডাইভারসিটি
একটি মৌলিক নীতি যা বলে যে বেস মডেলগুলোর ভুলগুলোতে যথেষ্ট পার্থক্য থাকতে হবে যাতে এনসেম্বল কার্যকর হয়। বৈচিত্র্য নিশ্চিত করে যে মডেলগুলি একই ভুল পুনরাবৃত্তি করার পরিবর্তে একে অপরের পরিপূরক হয়।
মাল্টি-লেভেল স্ট্যাকিং
একাধিক মেটা-মডেল স্তর সহ স্ট্যাকিংয়ের একটি সম্প্রসারণ যেখানে প্রতিটি স্তর পূর্ববর্তী স্তরের পূর্বাভাসগুলিকে সমন্বয় করে। এই শ্রেণিবদ্ধ আর্কিটেকচার ক্রমবর্ধমান জটিল প্যাটার্ন ক্যাপচার করতে পারে কিন্তু ওভারফিটিংয়ের ঝুঁকি বাড়ায়।
স্ট্যাকিংয়ের জন্য ফিচার ইঞ্জিনিয়ারিং
মেটা-মডেলের জন্য অতিরিক্ত ফিচার তৈরির প্রক্রিয়া যাতে বেস মডেলগুলোর পূর্বাভাস, তাদের পরিসংখ্যান এবং ইন্টারঅ্যাকশন অন্তর্ভুক্ত থাকে। এই ইঞ্জিনিয়ার্ড ফিচারগুলি জটিল প্যাটার্ন সনাক্ত করতে মেটা-মডেলের ক্ষমতা উল্লেখযোগ্যভাবে উন্নত করতে পারে।