এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
মেট্রোপলিস-হেস্টিংস স্যাম্পলিং
এমসিএমসি অ্যালগরিদম যা একটি সম্ভাব্যতা বন্টন থেকে নমুনা তৈরি করে একটি মার্কভ চেইন তৈরি করে যার স্থির বন্টন লক্ষ্য বন্টন। একটি গ্রহণযোগ্যতা অনুপাত ব্যবহার করে সিদ্ধান্ত নেয় যে একটি নতুন নমুনা গ্রহণ করা হবে না বর্জন করা হবে।
বর্জন পদ্ধতি
স্যাম্পলিং কৌশল যেখানে বিন্দুগুলি একটি প্রস্তাবিত বন্টন থেকে আঁকা হয় এবং লক্ষ্য ঘনত্ব এবং প্রস্তাবিত ঘনত্বের অনুপাতের সমানুপাতিক সম্ভাবনা সহ গৃহীত হয়। জটিল বন্টন স্যাম্পলিংয়ের জন্য বিশেষভাবে কার্যকর।
রবিন্স-মনরো অ্যালগরিদম
স্টোকাস্টিক আনুমানিক পদ্ধতি যা সমীকরণের মূল খুঁজে বের করার জন্য যখন শুধুমাত্র পর্যবেক্ষণে শোরাক উপলব্ধ থাকে। একটি অভিযোজিত হ্রাসমান ধাপ সহ সমাধানের দিকে অভিসৃত হয় যা প্রায় নিশ্চিত অভিসৃতি নিশ্চিত করে।
কোয়াসি-মন্টে কার্লো পদ্ধতি
মন্টে কার্লো পদ্ধতির নির্ধারিত বৈকল্পিক যা বিশুদ্ধ এলোমেলো সংখ্যার পরিবর্তে নিম্ন বিচ্যুতি ক্রম ব্যবহার করে। মাঝারি মাত্রায় দ্রুত অভিসৃতি প্রদান করে যখন অভিন্নতা বৈশিষ্ট্য সংরক্ষণ করে।
পয়সন প্রক্রিয়া
গণনা স্টোকাস্টিক প্রক্রিয়া যা একটি ধ্রুবক হার সহ বিরল স্বাধীন ঘটনার সংঘটন মডেল করে। আগমন ঘটনার সিমুলেশন এবং স্টোকাস্টিক অপ্টিমাইজেশনে মৌলিক।
স্টোকাস্টিক গ্রেডিয়েন্ট অপ্টিমাইজেশন
পুনরাবৃত্তিমূলক অপ্টিমাইজেশন পদ্ধতি যা অপ্টিমামের দিকে অগ্রসর হওয়ার জন্য গ্রেডিয়েন্টের শোরাকযুক্ত অনুমান ব্যবহার করে। উচ্চ-মাত্রিক সমস্যার জন্য বিশেষভাবে উপযুক্ত যেখানে সঠিক গ্রেডিয়েন্ট গণনা ব্যয়বহুল।
হ্রাসকৃত ভ্যারিয়েন্স
মন্টে কার্লো অনুমানকারীদের ভ্যারিয়েন্স হ্রাস করার কৌশলগুলির সেট নমুনার সংখ্যা বৃদ্ধি না করে। গণনামূলক দক্ষতা উন্নত করার জন্য অ্যান্টিথেটিক স্যাম্পলিং, নিয়ন্ত্রণ এবং স্তরবিন্যাস অন্তর্ভুক্ত করে।
অ্যান্টিথেটিক পদ্ধতি
ভ্যারিয়েন্স হ্রাস কৌশল যা আংশিকভাবে পরিবর্তন বাতিল করতে নেতিবাচকভাবে সম্পর্কযুক্ত নমুনা জোড় ব্যবহার করে। একঘেয়ে ফাংশন এবং প্রতিসম ইন্টিগ্রালের জন্য বিশেষভাবে কার্যকর।
অবশিষ্ট নমুনা সংগ্রহ
ওজনযুক্ত নমুনা সংগ্রহ পদ্ধতি যা নমুনার সঠিক কার্ডিনালিটি নিশ্চিত করার পাশাপাশি গুরুত্বপূর্ণ ওজন সংরক্ষণ করে। ন্যূনতম ভ্যারিয়েন্সের জন্য পদ্ধতিগত নমুনা সংগ্রহ এবং অবশিষ্ট বরাদ্দকে একত্রিত করে।
স্টোকাস্টিক নেল্ডার-মিড পদ্ধতি
স্থানীয় মিনিমা থেকে বের হওয়ার জন্য এলোমেলো বিঘ্ন সংযুক্ত করে নেল্ডার-মিড সিমপ্লেক্স অ্যালগরিদমের স্টোকাস্টিক অভিযোজন। সিমপ্লেক্সের দক্ষতা এবং এলোমেলো অনুসন্ধানের দৃঢ়তাকে একত্রিত করে।
স্টোকাস্টিক জেনেটিক অ্যালগরিদম
সন্ধান স্থান অন্বেষণ করার জন্য সম্ভাব্য জেনেটিক অপারেটর (নির্বাচন, ক্রসওভার, মিউটেশন) ব্যবহার করে বিবর্তনমূলক অপ্টিমাইজেশন পদ্ধতি। স্টোকাস্টিক নির্বাচন জেনেটিক বৈচিত্র্য বজায় রাখে এবং অকাল অভিসারীতা এড়ায়।