এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
মডেল নির্বাচন
শিক্ষার একটি সেটের মধ্যে সবচেয়ে কার্যকর মডেলগুলি সনাক্তকরণ এবং নির্বাচনের পদ্ধতিগত প্রক্রিয়া। এই নির্বাচন মডেলগুলির মধ্যে কর্মক্ষমতা, বৈচিত্র্য এবং পরিপূরকতার মানদণ্ডের উপর ভিত্তি করে।
বৈচিত্র্য-ভিত্তিক প্রুনিং
একটি প্রুনিং পদ্ধতি যা বৈচিত্র্যময় এবং পরিপূরক ভবিষ্যদ্বাণী প্রদর্শনকারী মডেলগুলির নির্বাচনকে অগ্রাধিকার দেয়। লক্ষ্য হল ভবিষ্যদ্বাণীর দৃঢ়তা উন্নত করার জন্য চূড়ান্ত সেটের বৈচিত্র্য সর্বাধিক করা।
গ্রিডি প্রুনিং
একটি পুনরাবৃত্তিমূলক প্রুনিং অ্যালগরিদম যা স্থানীয় অপ্টিমাইজেশন মানদণ্ড অনুসারে মডেলগুলিকে একে একে নির্বাচন করে বা বাদ দেয়। এই পদ্ধতিটি একটি উপ-সর্বোত্তম কিন্তু গণনাগতভাবে দক্ষ সমাধান খোঁজে।
জেনেটিক প্রুনিং
জেনেটিক অ্যালগরিদম দ্বারা অনুপ্রাণিত একটি প্রুনিং পদ্ধতি যা সেটের গঠন অপ্টিমাইজ করার জন্য নির্বাচন, ক্রসওভার এবং মিউটেশন অপারেটর ব্যবহার করে। এই পদ্ধতিটি সমাধানের স্থানকে আরও ব্যাপকভাবে অন্বেষণ করে।
ক্লাস্টারিং-ভিত্তিক প্রুনিং
একটি প্রুনিং কৌশল যা অনুরূপ মডেলগুলিকে ক্লাস্টারে গ্রুপ করে তারপর প্রতিটি ক্লাস্টার থেকে প্রতিনিধি নির্বাচন করে। এই পদ্ধতিটি অপ্রয়োজনীয়তা হ্রাস করার সময় ভবিষ্যদ্বাণীর স্থানের ভাল কভারেজ নিশ্চিত করে।
এনসেম্বল নির্বাচন
ভবিষ্যদ্বাণী কর্মক্ষমতা সর্বাধিক করার জন্য একটি বৃহত্তর সেট থেকে মডেলগুলির একটি উপসেটের সর্বোত্তম পছন্দের প্রক্রিয়া। এই নির্বাচনকে একটি কম্বিনেটোরিয়াল অপ্টিমাইজেশন সমস্যা হিসাবে গঠন করা যেতে পারে।
মডেল র্যাঙ্কিং
কর্মক্ষমতা এবং অবদানের মেট্রিক্সের উপর ভিত্তি করে সেটের মডেলগুলির অগ্রাধিকারের ক্রম প্রতিষ্ঠা। এই র্যাঙ্কিং সবচেয়ে প্রাসঙ্গিক মডেলগুলি সনাক্ত করে প্রুনিং প্রক্রিয়াকে নির্দেশনা দেয়।
এনসেম্বল হ্রাস
এর সাধারণীকরণ ক্ষমতা সংরক্ষণ করার সময় একটি শিক্ষা সেটের আকারের নিয়ন্ত্রিত হ্রাস। এই হ্রাস কর্মক্ষমতা এবং গণনাগত জটিলতার মধ্যে একটি সর্বোত্তম সমঝোতা খুঁজে বের করার লক্ষ্য রাখে।
প্রুনিং কৌশল
প্রুনিং প্রক্রিয়ায় মডেলগুলি কীভাবে মূল্যায়ন এবং বাদ দেওয়া হবে তার সংজ্ঞায়িত নিয়ম এবং অ্যালগরিদমের সমষ্টি। কৌশলটি নির্বাচনের মানদণ্ড এবং মডেল বাদ দেওয়ার ক্রম নির্ধারণ করে।
সাবসেট নির্বাচন
একটি প্রদত্ত উদ্দেশ্য ফাংশন সর্বাধিক করার জন্য সেরা মডেল উপসেট সনাক্ত করার অপ্টিমাইজেশন সমস্যা। এই নির্বাচন সঠিক বা হিউরিস্টিক পদ্ধতি দ্বারা সমাধান করা যেতে পারে।
এনসেম্বল অপ্টিমাইজেশন
সর্বোত্তম কর্মক্ষমতা অর্জনের জন্য একটি এনসেম্বলের গঠন এবং কাঠামো উন্নত করার প্রক্রিয়া। অপ্টিমাইজেশনে প্রুনিং, ওয়েটিং এবং এনসেম্বল সদস্য নির্বাচন অন্তর্ভুক্ত থাকে।
প্রুনিং থ্রেশহোল্ড
প্রুনিং প্রক্রিয়ায় মডেল বাদ দেওয়ার সিদ্ধান্তের মানদণ্ড হিসাবে ব্যবহৃত সমালোচনামূলক মান। এই থ্রেশহোল্ড কর্মক্ষমতা, বৈচিত্র্য বা প্রান্তিক অবদানের মেট্রিক্সের উপর ভিত্তি করে হতে পারে।
এনসেম্বল কম্প্রেশন
ডিস্টিলেশন বা প্রুনিং কৌশলের মাধ্যমে একটি এনসেম্বলের ভবিষ্যদ্বাণী ক্ষমতা সংরক্ষণ করে এর আকার হ্রাস করা। এই কম্প্রেশন প্রোডাকশনে ডেপ্লয়মেন্ট এবং ইনফারেন্স সহজ করে।
ফরওয়ার্ড সিলেকশন
ক্রমাগতভাবে সবচেয়ে উপকারী মডেলগুলি এনসেম্বলে যোগ করে এমন কনস্ট্রাকটিভ প্রুনিং পদ্ধতি। এই পদ্ধতিটি নিশ্চিত করে যে প্রতিটি যোগ করা মডেল সামগ্রিক কর্মক্ষমতায় ইতিবাচকভাবে অবদান রাখে।
ব্যাকওয়ার্ড এলিমিনেশন
সম্পূর্ণ এনসেম্বল দিয়ে শুরু করে এবং পুনরাবৃত্তভাবে সবচেয়ে কম দরকারী মডেলগুলি বাদ দেয় এমন প্রুনিং কৌশল। এই পদ্ধতিটি এনসেম্বলের কর্মক্ষমতায় প্রতিটি মডেলের প্রভাব মূল্যায়ন করতে দেয়।
প্রুনিং মানদণ্ড
এনসেম্বলে প্রতিটি মডেলের উপযোগিতা মূল্যায়ন করতে ব্যবহৃত মেট্রিক্স এবং নিয়মের সমষ্টি। এই মানদণ্ডগুলি সাধারণত কর্মক্ষমতা, বৈচিত্র্য এবং জটিলতার পরিমাপকে একত্রিত করে।
এনসেম্বল সরলীকরণ
একটি এনসেম্বলের গঠনগত জটিলতা হ্রাস করার প্রক্রিয়া, তার ভবিষ্যদ্বাণীমূলক ক্ষমতা বজায় রাখার সময়। এই সরলীকরণে প্রুনিং, অনুরূপ মডেলগুলির একত্রীকরণ এবং প্যারামিটার হ্রাস অন্তর্ভুক্ত থাকতে পারে।