এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
Bagging
মূল ডেটাসেটের বুটস্ট্র্যাপ নমুনার উপর একাধিক মডেল তৈরি করে এবং সংখ্যাগরিষ্ঠ ভোট বা গড়ের মাধ্যমে তাদের পূর্বাভাস সমন্বিত করে এমন একটি সমষ্টিগত কৌশল।
বুস্টিং
একটি ক্রমিক পদ্ধতি যেখানে প্রতিটি মডেল পূর্ববর্তী মডেলের ভুলগুলি থেকে শেখে, ভুলভাবে শ্রেণীবদ্ধ করা উদাহরণগুলিকে বেশি ওজন দিয়ে ধীরে ধীরে কর্মক্ষমতা উন্নত করে।
স্ট্যাকিং
একটি মেটা-মডেলের মাধ্যমে একাধিক বেস মডেলের পূর্বাভাসগুলিকে একত্রিত করার পদ্ধতি, যা তাদের ওজন অপ্টিমাইজ করতে শিখে চূড়ান্ত পূর্বাভাসের উন্নতির জন্য।
র্যান্ডম ফরেস্ট
বাগিং ব্যবহার করে সিদ্ধান্ত গাছের সমন্বয়, প্রতিটি বিভাজনে বৈশিষ্ট্যগুলির এলোমেলো নির্বাচন সহ, যা ভ্যারিয়েন্স হ্রাস করে এবং ওভারফিটিং এড়ায়।
গ্রেডিয়েন্ট বুস্টিং
বুস্টিং অ্যালগরিদম যা পূর্ববর্তী মডেলের অবশিষ্টাংশ সংশোধন করতে গ্রেডিয়েন্ট ডিসেন্টের মাধ্যমে ধারাবাহিকভাবে মডেল তৈরি করে।
AdaBoost
Adaptive Boosting যা প্রশিক্ষণের উদাহরণ এবং দুর্বল শ্রেণিবদ্ধকারীদের ওজন সামঞ্জস্য করে যাতে কঠিন শ্রেণিবিন্যাসের ক্ষেত্রে মনোনিবেশ করা যায়।
XGBoost
L1/L2 নিয়মিতকরণ সহ গ্রেডিয়েন্ট বুস্টিং-এর অপ্টিমাইজড বাস্তবায়ন, সমান্তরাল প্রক্রিয়াকরণ এবং অনুপস্থিত মানগুলির দক্ষ ব্যবস্থাপনা।
LightGBM
গ্রেডিয়েন্ট বুস্টিং ফ্রেমওয়ার্ক যা লিফ-ওয়াইজ গ্রোথ এবং হিস্টোগ্রাম-ভিত্তিক অ্যালগরিদম ব্যবহার করে বড় ডেটাসেটে দ্রুত এবং দক্ষ প্রশিক্ষণের জন্য।
CatBoost
ক্যাটেগরিকাল ভেরিয়েবলগুলির পূর্ব-এনকোডিং ছাড়াই স্বয়ংক্রিয় প্রক্রিয়াকরণে বিশেষায়িত গ্রেডিয়েন্ট বুস্টিং অ্যালগরিদম।
Voting Classifiers
একটি সমষ্টিগত পদ্ধতি যা একাধিক শ্রেণীবিভাজকের পূর্বাভাস সংখ্যাগরিষ্ঠ ভোট (হার্ড ভোটিং) বা গড় সম্ভাবনা (সফট ভোটিং) দ্বারা একত্রিত করে।
এক্সট্রা ট্রিস
এক্সট্রিমলি র্যান্ডমাইজড ট্রিস প্রতিটি বিভাজনের জন্য সম্পূর্ণ এলোমেলো কাট ব্যবহার করে বুটস্ট্র্যাপ ছাড়াই, বৈচিত্র্য বৃদ্ধি করে এবং পক্ষপাত হ্রাস করে।
Blending
স্ট্যাকিং-এর একটি প্রকরণ যেখানে মেটা-মডেলকে প্রশিক্ষণ দেওয়ার জন্য ক্রস-ভ্যালিডেশন-এর পরিবর্তে হোল্ড-আউট ভ্যালিডেশন সেট ব্যবহার করা হয়, এটি সহজ কিন্তু কম শক্তিশালী।
ডাইনামিক এনসেম্বল সিলেকশন
প্রতিটি নতুন ইনস্ট্যান্সের পূর্বাভাসের জন্য দক্ষ মডেলগুলির একটি উপসেটকে গতিশীলভাবে নির্বাচন করে এমন পদ্ধতি, যা স্থানীয় কর্মক্ষমতা অপ্টিমাইজ করে।
এনসেম্বল ডাইভার্সিটি
বেস মডেলগুলির মধ্যে বৈচিত্র্য পরিমাপ এবং সর্বাধিক করার কৌশল, যা এনসেম্বলের স্থিতিস্থাপকতা উন্নত করে এবং সম্পর্কিত ত্রুটিগুলি হ্রাস করে।
হাইব্রিড এনসেম্বল পদ্ধতি
বিভিন্ন এনসেম্বল কৌশলের সংমিশ্রণ (ব্যাগিং + বুস্টিং) বা অন্যান্য প্যারাডাইম যেমন নিউরাল নেটওয়ার্কের সংযোজন।