এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
এনকোডার (Encoder)
অটোএনকোডারের সেই অংশ যা ইনপুট ডেটাকে নিম্ন মাত্রার একটি উপস্থাপনায় রূপান্তরিত করে, যাকে লেটেন্ট স্পেস বা কোড বলা হয়, একটি অরৈখিক সংকোচন ফাংশন শিখে।
ডিকোডার (Decoder)
অটোএনকোডারের সেই অংশ যা লেটেন্ট স্পেসের সংকুচিত উপস্থাপনা গ্রহণ করে এবং মূল ইনপুট ডেটা পুনর্গঠনের চেষ্টা করে, এভাবে একটি ডিকম্প্রেশন ফাংশন শিখে।
লেটেন্ট স্পেস (Latent Space)
অটোএনকোডারের সর্বনিম্ন মাত্রার উপস্থাপনা স্তর, যা ইনপুট ডেটার সবচেয়ে প্রয়োজনীয় ও সংকুচিত বৈশিষ্ট্যগুলি ধারণ করে।
বটলনেক (Bottleneck)
অটোএনকোডারের আর্কিটেকচারের সবচেয়ে সংকীর্ণ স্তর, যা এনকোডার ও ডিকোডারের মাঝে অবস্থিত এবং নেটওয়ার্ককে ডেটার সংক্ষিপ্ত উপস্থাপনা শিখতে বাধ্য করে।
পুনর্গঠন লস ফাংশন (Reconstruction Loss)
লক্ষ্য ফাংশন, সাধারণত গড় বর্গ ত্রুটি (MSE) বা ক্রস-এনট্রপি, যা মূল ইনপুট ডেটা এবং ডিকোডার দ্বারা পুনর্গঠিত ডেটার মধ্যে পার্থক্য পরিমাপ করে।
সিমেট্রিক অটোএনকোডার (Symmetric Autoencoder)
অটোএনকোডারের এমন আর্কিটেকচার যেখানে এনকোডার ও ডিকোডারের গঠন একে অপরের প্রতিবিম্ব, সংকোচন ও ডিকম্প্রেশনের জন্য সংশ্লিষ্ট স্তরের মাত্রা থাকে।
আন্ডারকমপ্লিটনেস (Undercompleteness)
এমন নীতি যেখানে অটোএনকোডারের লেটেন্ট স্পেসের মাত্রা ইনপুট ডেটার মাত্রার চেয়ে কম হওয়া উচিত, যা নেটওয়ার্ককে সাধারণ কপি করার পরিবর্তে সবচেয়ে প্রাসঙ্গিক বৈশিষ্ট্যগুলি শিখতে বাধ্য করে।
টাইড ওয়েটস (Tied Weights)
এমন কৌশল যেখানে ডিকোডারের ওজন ম্যাট্রিক্স এনকোডারের ওজন ম্যাট্রিক্সের ট্রান্সপোজ হয়, যা প্যারামিটারের সংখ্যা কমায় এবং সিমেট্রিক পুনর্গঠনকে উৎসাহিত করে।
ইউনিট গণনা (Unit Counting)
অটোএনকোডারের প্রতিটি স্তরে নিউরনের সংখ্যা নির্ধারণের প্রক্রিয়া, যেখানে এনকোডারের মধ্য দিয়ে ইউনিটের সংখ্যা ক্রমশ কমে গলার অংশে (bottleneck) পৌঁছায়।
অরৈখিক মাত্রা হ্রাস (Non-Linear Dimensionality Reduction)
অটোএনকোডারের প্রধান প্রয়োগ, যা জটিল ডেটা ম্যানিফোল্ড শিখে উচ্চ-মাত্রিক ডেটাকে নিম্ন-মাত্রিক স্থানে প্রক্ষেপণ করে, যা রৈখিক পদ্ধতি যেমন PCA-এর চেয়ে উন্নত।
প্রতিনিধিত্ব শিখন (Representation Learning)
অটোএনকোডারের স্বয়ংক্রিয়ভাবে ডেটার বিমূর্ত বৈশিষ্ট্য এবং অন্তর্নিহিত কাঠামো আবিষ্কার করার ক্ষমতা, কোনো তত্ত্বাবধানে লেবেলিং ছাড়াই।
একক স্তরের অটোএনকোডার (Single-Layer Autoencoder)
সবচেয়ে সরল ধরনের অটোএনকোডার, যেখানে একটি মাত্র লুকানো স্তর গলার অংশ হিসেবে কাজ করে, যা অরৈখিক প্রধান উপাদান বিশ্লেষণের সমতুল্য।
গভীর অটোএনকোডার (Deep Autoencoder)
এনকোডার এবং ডিকোডারে একাধিক লুকানো স্তরযুক্ত অটোএনকোডারের আর্কিটেকচার, যা বৈশিষ্ট্যের জটিল শ্রেণিবিন্যাস শিখে উন্নত সংকোচন সক্ষম করে।
পুনর্গঠন শব্দ (Reconstruction Noise)
অটোএনকোডার দ্বারা পুনর্গঠিত ডেটায় প্রবর্তিত ত্রুটি বা আর্টিফ্যাক্ট, যা মডেলের শেখা প্রতিনিধিত্বের সীমাবদ্ধতা বোঝার জন্য বিশ্লেষণ করা হয়।
এনকোডারের অ্যাক্টিভেশন ফাংশন (Encoder Activation Function)
এনকোডারের স্তরগুলিতে প্রয়োগ করা অরৈখিক ফাংশন (যেমন ReLU, সিগময়েড বা tanh), যা ইনপুট ডেটার জটিল রূপান্তর শেখার সুযোগ দেয়।
ডিকোডারের অ্যাক্টিভেশন ফাংশন (Decoder Activation Function)
ডিকোডারের স্তরগুলিতে প্রয়োগ করা ফাংশন, যা প্রায়শই ইনপুট ডেটার বণ্টনের সাথে মিল রেখে নির্বাচন করা হয় (যেমন, ০ এবং ১-এর মধ্যে স্বাভাবিকীকৃত ডেটার জন্য সিগময়েড)।
অতিরিক্ত সম্পূর্ণতা (Overcompleteness)
এমন একটি অবস্থা যেখানে লেটেন্ট স্পেসের মাত্রা ইনপুট ডেটার মাত্রার চেয়ে বেশি হয়, যা পরিচয় শেখা এড়াতে অতিরিক্ত সীমাবদ্ধতা যেমন রেগুলারাইজেশন প্রয়োজন করে।
কোয়ান্টাইজেশন ত্রুটি
একটি অটোএনকোডারে পুনর্গঠন ত্রুটির সেই অংশ যা অবিচ্ছিন্ন তথ্যকে সসীম মাত্রার লেটেন্ট স্পেসে সংকোচনের ফলে সৃষ্ট হয়।