এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
ট্যাবনেট
ট্যাবুলার ডেটার জন্য বিশেষভাবে ডিজাইন করা একটি সিকোয়েন্সিয়াল নিউরাল নেটওয়ার্ক আর্কিটেকচার, যা প্রতিটি সিদ্ধান্তের ধাপে প্রাসঙ্গিক বৈশিষ্ট্যগুলোকে ব্যাখ্যাযোগ্যভাবে নির্বাচন করার জন্য অ্যাটেনশন মেকানিজম ব্যবহার করে।
অ্যাটেনটিভ মাস্কিং
ট্যাবনেটের মূল মেকানিজম যা অপ্রাসঙ্গিক বৈশিষ্ট্যগুলোকে ক্রমান্বয়ে মাস্ক করতে শেখে, মডেলটিকে একটি নির্দিষ্ট প্রেডিকশনের জন্য সবচেয়ে তথ্যপূর্ণ ভেরিয়েবলগুলোর উপর ফোকাস করতে দেয়।
সিকোয়েন্সিয়াল ফিচার লার্নিং
যে প্রক্রিয়ার মাধ্যমে ট্যাবনেট একাধিক ধাপ জুড়ে ডেটার একটি রিপ্রেজেন্টেশন শেখে, যেখানে প্রতিটি ধাপ পূর্ববর্তী ধাপের তথ্যের উপর ভিত্তি করে বৈশিষ্ট্য নির্বাচনকে পরিশোধন করে।
ফিচার ট্রান্সফরমার
ট্যাবনেটের মডিউল যা ইনপুট মাস্কড বৈশিষ্ট্যগুলোকে একটি নতুন উচ্চ-মাত্রিক রিপ্রেজেন্টেশনে রূপান্তর করে, সম্পূর্ণভাবে সংযুক্ত লেয়ার এবং GLU অ্যাক্টিভেশন ফাংশন ব্যবহার করে।
GLU (গেটেড লিনিয়ার ইউনিট)
ট্যাবনেটের ফিচার ট্রান্সফরমারে ব্যবহৃত অ্যাক্টিভেশন ফাংশন, যা একটি লিনিয়ার প্রজেকশনকে সিগময়েড গেট দ্বারা গুণ করে তথ্য প্রবাহ নিয়ন্ত্রণ করতে দেয়, জটিল সম্পর্ক মডেল করার নেটওয়ার্কের ক্ষমতা উন্নত করে।
অ্যাটেনটিভ ট্রান্সফরমার
ট্যাবনেটের কম্পোনেন্ট যা পরবর্তী সিদ্ধান্ত ধাপের জন্য অ্যাটেনশন মাস্ক তৈরি করে, ফোকাস কোথায় রাখতে হবে তা নির্ধারণ করতে পূর্ববর্তী অবস্থা এবং রূপান্তরিত বৈশিষ্ট্যগুলোর উপর ভিত্তি করে।
ডিসিশন স্টেপ
ট্যাবনেট আর্কিটেকচারের মৌলিক প্রসেসিং ইউনিট, একটি আংশিক আউটপুট এবং পরবর্তী ধাপের জন্য একটি মাস্ক তৈরি করতে একটি ফিচার ট্রান্সফরমার এবং একটি অ্যাটেনটিভ ট্রান্সফরমারকে একত্রিত করে।
সিরিজ রিগ্রেশন নেটওয়ার্ক (SER)
তাত্ত্বিক ধারণা যা থেকে ট্যাবনেট অনুপ্রাণিত, একটি জটিল প্রেডিকশনকে সরল সিদ্ধান্তের একটি সিরিজ হিসেবে মডেল করা, যেখানে প্রতিটি সিদ্ধান্ত চূড়ান্ত ফলাফলকে পরিশোধন করে।
এম্বেডিং দ্বারা শ্রেণীগত এনকোডিং
ট্যাবনেটের জন্য শ্রেণীগত ভেরিয়েবল প্রিপ্রসেসিং কৌশল, যেখানে প্রতিটি বিভাগকে নিম্ন-মাত্রার ঘন ভেক্টরে ম্যাপ করা হয় যা প্রশিক্ষণের সময় শেখা হয়, মডেলটিকে বিভাগগুলির মধ্যে শব্দার্থিক সম্পর্ক ক্যাপচার করতে দেয়।
ব্যাচ নরমালাইজেশন
ট্যাবনেট ব্লকে প্রয়োগ করা স্তর যা প্রশিক্ষণ স্থিতিশীল এবং ত্বরান্বিত করতে, প্রতিটি ব্যাচের অ্যাক্টিভেশনগুলিকে শূন্য গড় এবং একক ভ্যারিয়েন্সে স্বাভাবিক করে।
স্পারসিটি রেগুলারাইজেশন
ট্যাবনেটে ব্যবহৃত কৌশল যা অ্যাটেনশন মাস্ককে কেবলমাত্র少量 বৈশিষ্ট্য নির্বাচন করতে উত্সাহিত করে, thereby সরল এবং ব্যাখ্যাযোগ্য মডেলগুলিকে উত্সাহিত করে।
পরিবর্তনশীল গভীরতা আর্কিটেকচার
ট্যাবনেটের বৈশিষ্ট্য যেখানে কার্যকরভাবে ব্যবহৃত সিদ্ধান্ত ধাপের সংখ্যা প্রতিটি নমুনার জন্য পরিবর্তিত হতে পারে, কারণ মডেলটি শিখতে পারে যখন নির্ভরযোগ্য ভবিষ্যদ্বাণীর জন্য তথ্য যথেষ্ট হয় তখন থামতে।
ট্যাবুলার ডেটা
স্ট্রাকচার্ড ডেটার প্রকার যা সারি এবং কলামে সংগঠিত, স্প্রেডশীট বা রিলেশনাল ডেটাবেসের সাধারণ, যার জন্য ট্যাবনেট বিশেষভাবে অপ্টিমাইজড।
অনুপস্থিত বৈশিষ্ট্যের প্রতি রোবাস্টনেস
ইনপুট ডেটাতে অনুপস্থিত মানগুলি কার্যকরভাবে পরিচালনা করার ট্যাবনেটের ক্ষমতা, জটিল প্রাক-ইমপুটেশন ছাড়াই সেগুলি মাস্ক করতে এবং adapt শিখে।
মাস্কিংয়ের জন্য রিইনফোর্সমেন্ট লার্নিং
তাত্ত্বিক দৃষ্টিকোণ যেখানে ট্যাবনেটে অনুক্রমিক মাস্কিং প্রক্রিয়াটিকে একটি সিদ্ধান্ত প্রক্রিয়া হিসাবে দেখা যেতে পারে, যেখানে মডেলটি নির্ভুলতার পুরস্কার সর্বাধিক করার জন্য বৈশিষ্ট্য নির্বাচনের একটি নীতি শেখে।
মাস্কড নিউরাল নেটওয়ার্ক
নিউরাল নেটওয়ার্কের শ্রেণী, যার মধ্যে ট্যাবনেট একটি উদাহরণ, যা ইনপুট বা নিউরনের সাবসেট গতিশীলভাবে নির্বাচন করতে শেখা মাস্ক ব্যবহার করে, দক্ষতা এবং ব্যাখ্যাযোগ্যতা উন্নত করে।