এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
Analyse en Composantes Principales
Méthode statistique de réduction de dimensionnalité linéaire qui transforme les variables corrélées en nouvelles variables non corrélées appelées composantes principales, en maximisant la variance expliquée.
t-SNE
Algorithme de réduction de dimensionnalité non linéaire particulièrement efficace pour la visualisation de données haute dimension en préservant les structures locales et les similarités entre points voisins.
UMAP
Technique de réduction de dimensionnalité non linéaire basée sur la topologie algébrique qui préserve à la fois la structure locale et globale des données tout en étant plus rapide que t-SNE.
Analyse en Composantes Indépendantes
Méthode de séparation aveugle de sources statistiques qui transforme les données en composantes statistiquement indépendantes, supposant que les signaux sources sont non gaussiens.
Factorisation de Matrice Non Négative
Algorithme de réduction de dimensionnalité qui décompose une matrice non négative en deux matrices de rang inférieur également non négatives, facilitant l'interprétabilité des composantes.
Analyse Discriminante Linéaire
Méthode supervisée de réduction de dimensionnalité qui maximise la séparation entre classes tout en minimisant la variance intra-classe, utilisée principalement pour la classification.
Autoencodeurs Variants
Modèle génératif d'apprentissage profond qui apprend une représentation latente probabiliste des données en utilisant des réseaux de neurones encodeur-décodeur avec régularisation variationnelle.
Isomap
Algorithme de réduction de dimensionnalité non linéaire qui préerve les distances géodésiques sur la variété des données en utilisant les plus courts chemins dans le graphe des plus proches voisins.
স্থানীয়ভাবে রৈখিক এম্বেডিং
একটি অরৈখিক কৌশল যা নিম্ন-মাত্রিক স্থানে প্রতিটি বিন্দুকে তার নিকটতম প্রতিবেশীদের রৈখিক সমন্বয় হিসেবে পুনর্গঠন করে স্থানীয় রৈখিক সম্পর্ক সংরক্ষণ করে।
ফ্যাক্টর বিশ্লেষণ
একটি অন্বেষণমূলক পরিসংখ্যান পদ্ধতি যা বহুচলকীয় ডেটাসেটে পর্যবেক্ষণকৃত চলকগুলির মধ্যে পারস্পরিক সম্পর্ক ব্যাখ্যা করে এমন অদৃশ্য লুকানো চলক (ফ্যাক্টর) চিহ্নিত করে।
কোভেরিয়েন্স ম্যাট্রিক্স
একটি বর্গাকার প্রতিসম ম্যাট্রিক্স যা চলক জোড়ার মধ্যে কোভেরিয়েন্স পরিমাপ করে, ডেটাতে রৈখিক সম্পর্ক বোঝা এবং প্রধান উপাদান গণনার জন্য মৌলিক।
আইগেনভ্যালু
একটি রৈখিক রূপান্তরের আইগেনভেক্টরের সাথে যুক্ত স্কেলার, প্রধান উপাদান বিশ্লেষণে প্রতিটি প্রধান উপাদানের আপেক্ষিক গুরুত্ব প্রতিনিধিত্ব করে।
আইগেনভেক্টর
যেসব দিকে একটি রৈখিক রূপান্তর কেবল প্রসারণের মাধ্যমে কাজ করে, মূল ডেটা স্থানের সর্বাধিক পরিবর্তনের প্রধান অক্ষগুলির সাথে সামঞ্জস্যপূর্ণ।
গ্রাম ম্যাট্রিক্স
একটি প্রতিসম ধনাত্মক সুনির্দিষ্ট ম্যাট্রিক্স যাতে সমস্ত ভেক্টর জোড়ার মধ্যে ডট গুণফল থাকে, কার্নেল পদ্ধতি এবং একক মান পচনের জন্য অপরিহার্য।
কার্নেল পিসিএ
পিসিএ-এর একটি অরৈখিক সম্প্রসারণ যা রৈখিক পিসিএ প্রয়োগ করার আগে অন্তর্নিহিতভাবে ডেটাকে উচ্চ-মাত্রিক স্থানে ম্যাপ করতে কার্নেল ফাংশন ব্যবহার করে।
ডিফিউশন ম্যাপস
ডিফিউশন প্রক্রিয়ার উপর ভিত্তি করে মাত্রা হ্রাসের একটি পদ্ধতি যা একটি মার্কভ ট্রানজিশন গ্রাফ নির্মাণ করে ডেটার অন্তর্নিহিত জ্যামিতি ধারণ করে।
ট্রাঙ্কেটেড এসভিডি
একটি সিঙ্গুলার ভ্যালু ডিকম্পোজিশনের বৈকল্পিক যা শুধুমাত্র k-সংখ্যক বৃহত্তম সিঙ্গুলার ভ্যালু এবং সংশ্লিষ্ট ভেক্টর সংরক্ষণ করে, যা স্পার্স এবং বৃহৎ ম্যাট্রিক্সের জন্য অপ্টিমাইজড।
ম্যানিফোল্ড লার্নিং
অরৈখিক পদ্ধতির একটি সেট যা ধারণা করে যে উচ্চ-মাত্রিক ডেটা একটি নিম্ন-মাত্রিক ম্যানিফোল্ডে অবস্থিত, এবং এই অন্তর্নিহিত কাঠামো আবিষ্কার করতে চায়।