এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
ধারণা পরিবর্তন
সম্ভাব্যতা বন্টনের পরিবর্তন P(y|x) যেখানে বৈশিষ্ট্য এবং লক্ষ্যের মধ্যে সম্পর্ক সময়ের সাথে বিবর্তিত হয়, পূর্বাভাসমূলক মডেলগুলির অভিযোজন প্রয়োজন।
ভার্চুয়াল পরিবর্তন
ইনপুট বৈশিষ্ট্যগুলির প্রান্তিক বন্টন P(x)-এ পরিবর্তন, বৈশিষ্ট্য এবং লক্ষ্যের মধ্যে অন্তর্নিহিত সম্পর্ক P(y|x) পরিবর্তন ছাড়াই।
বাস্তব পরিবর্তন
বৈশিষ্ট্য এবং লক্ষ্য চলকের মধ্যে সম্পর্ক P(y|x)-এর মৌলিক পরিবর্তন, যা সরাসরি মডেলের পূর্বাভাস কর্মক্ষমতাকে প্রভাবিত করে।
ডিডিএম (ড্রিফ্ট ডিটেকশন মেথড)
মডেলের ত্রুটি হার ব্যবহার করে পরিসংখ্যানগত নজরদারি অ্যালগরিদম, কর্মক্ষমতায় উল্লেখযোগ্য পরিবর্তন সনাক্ত করতে দ্বিপদ বন্টন ব্যবহার করে।
ইডিডিএম (আর্লি ড্রিফ্ট ডিটেকশন মেথড)
ক্রমাগত পরিবর্তন সনাক্ত করার জন্য অপ্টিমাইজড ডিডিএম-এর বৈকল্পিক, শুধুমাত্র ত্রুটি হার নয় বরং পরপর ত্রুটিগুলির মধ্যে গড় দূরত্ব পর্যবেক্ষণ করে।
এডিডব্লিউআইএন (অ্যাডাপ্টিভ উইন্ডোইং)
অভিযোজিত অ্যালগরিদম যা পরিবর্তনশীল আকারের একটি স্লাইডিং উইন্ডো বজায় রাখে এবং পরিবর্তন সনাক্ত করতে দুটি উপ-উইন্ডোর বন্টন পরিসংখ্যানগতভাবে তুলনা করে।
পেজ-হিঙ্কলি টেস্ট
পরিবর্তন সনাক্তকরণের পরিসংখ্যানগত পরীক্ষা যা পর্যবেক্ষিত মান এবং তাদের গড়ের মধ্যে পার্থক্যের সঞ্চয়ের উপর ভিত্তি করে, আকস্মিক পরিবর্তন চিহ্নিত করার জন্য কার্যকর।
কেএস টেস্ট (কলমোগোরভ-স্মিরনভ টেস্ট)
দুটি নমুনার ক্রমবর্ধমান বন্টন ফাংশন তুলনা করার অ-প্যারামেট্রিক পরীক্ষা, তারা একই বন্টন থেকে এসেছে কিনা তা নির্ধারণ করতে।
EWMA (এক্সপোনেনশিয়ালি ওয়েটেড মুভিং এভারেজ)
পরিসংখ্যানগত মসৃণকরণ পদ্ধতি যা সময় সিরিজে পরিবর্তন সনাক্ত করতে পুরানো পর্যবেক্ষণগুলিতে সূচকীয়ভাবে হ্রাসপ্রাপ্ত ওজন নির্ধারণ করে।
ড্রিফ্ট ডিটেকশন রেট
একটি ড্রিফ্ট ডিটেকশন অ্যালগরিদম দ্বারা সঠিকভাবে সনাক্ত করা প্রকৃত ড্রিফ্টের অনুপাত পরিমাপকারী মেট্রিক, যার মাধ্যমে এর সনাক্তকরণ দক্ষতা মূল্যায়ন করা হয়।
ফলস অ্যালার্ম রেট
ডেটা ডিস্ট্রিবিউশনে কোনও প্রকৃত পরিবর্তন না ঘটলেও একটি অ্যালগরিদম দ্বারা রিপোর্ট করা মিথ্যা ড্রিফ্ট সনাক্তকরণের অনুপাত।
ডিটেকশন ডিলে
ধারণার ড্রিফ্টের প্রকৃত ঘটনা এবং মনিটরিং অ্যালগরিদম দ্বারা এর সনাক্তকরণের মধ্যবর্তী সময়, যা সিস্টেমের প্রতিক্রিয়াশীলতা পরিমাপ করে।
উইন্ডো-ভিত্তিক পদ্ধতি
সাম্প্রতিক এবং ঐতিহাসিক ডেটার মধ্যে পরিসংখ্যানগত ডিস্ট্রিবিউশন তুলনা করতে সময়সীমা উইন্ডো ব্যবহার করে ড্রিফ্ট সনাক্তকরণের পদ্ধতি।
স্ট্যাটিস্টিক্যাল প্রসেস কন্ট্রোল
প্রক্রিয়া নিরীক্ষণ এবং নিয়ন্ত্রণের জন্য ব্যবহৃত পরিসংখ্যানগত পদ্ধতির সমষ্টি, যা ডেটা স্ট্রিমে ড্রিফ্ট সনাক্তকরণের জন্য অভিযোজিত।
চেঞ্জ পয়েন্ট ডিটেকশন
সেই সুনির্দিষ্ট মুহূর্তগুলির সনাক্তকরণ যখন একটি সময় সিরিজের পরিসংখ্যানগত বৈশিষ্ট্যগুলি উল্লেখযোগ্যভাবে পরিবর্তিত হয়, যা ড্রিফ্ট সনাক্তকরণের জন্য মৌলিক।
ফিচার ড্রিফ্ট
সময়ের সাথে এক বা একাধিক ইনপুট বৈশিষ্ট্যের ডিস্ট্রিবিউশনে P(xi) পরিবর্তন, যা পরোক্ষভাবে মডেলের পারফরম্যান্সকে প্রভাবিত করতে পারে।
Prior Probability Drift
Changement dans la distribution marginale de la variable cible P(y) sans modification de la relation conditionnelle P(y|x), affectant l'équilibre des classes.
Ensemble Methods for Drift Detection
Approches combinant plusieurs détecteurs de dérive ou modèles de base pour améliorer la robustesse et la précision de la détection de changements.
Gradual Drift
Type de dérive de concept où les changements dans la distribution des données ou les relations entre variables se produisent progressivement sur une période étendue.
Abrupt Drift
Changement soudain et immédiat dans la distribution des données ou les relations entre variables, nécessitant une détection rapide et une adaptation du modèle.