এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
N-পেয়ার লস
ট্রিপলেট লসের একটি সাধারণীকরণ যা একটি ইতিবাচক উদাহরণকে একই সাথে Nটি নেতিবাচক উদাহরণের সাথে তুলনা করে, শেখার দক্ষতা এবং অভিসারী স্থিতিশীলতা উন্নত করে। এটি বৃহৎ স্কেলের ডেটাসেটের জন্য বিশেষভাবে কার্যকর।
কৌণিক লস
একটি লস ফাংশন যা ইউক্লিডীয় দূরত্বের পরিবর্তে এম্বেডিং ভেক্টরগুলির মধ্যে কোণগুলি অপ্টিমাইজ করে, স্কেল ইনভেরিয়েন্স এবং ক্লাস বিভাজনের উন্নতি প্রদান করে। এটি মুখ শনাক্তকরণের কাজগুলির জন্য বিশেষভাবে উপযোগী।
সেন্টার লস
একটি লস ফাংশন যা একই ক্লাসের এম্বেডিংগুলিকে তাদের শেখা ক্লাস সেন্টারের কাছাকাছি আনতে বাধ্য করে ইন্ট্রা-ক্লাস দূরত্ব হ্রাস করে। এটি ক্লাস্টারগুলির কমপ্যাক্টনেস উন্নত করতে প্রায়শই অন্যান্য বৈষম্যমূলক লসের সাথে সংযুক্ত করা হয়।
আর্কফেস লস
একটি সংযোজনমূলক কৌণিক লস ফাংশন যা হাইপার-স্ফিয়ার স্পেসে একটি কৌণিক মার্জিন যোগ করে এম্বেডিংগুলির বৈষম্যমূলকতা উন্নত করে। এটি অনেক ক্লাস এবং কম উদাহরণ সহ শনাক্তকরণ কাজগুলির জন্য বিশেষভাবে কার্যকর।
স্ফিয়ারফেস লস
একটি গুণনমূলক কৌণিক লস ফাংশন যা ইন্টার-ক্লাস বিভাজ্যতা উন্নত করতে এম্বেডিংগুলির উপর একটি কৌণিক সীমাবদ্ধতা আরোপ করে। এটি একটি ইউনিট হাইপারস্ফিয়ারে বৈষম্যমূলক এম্বেডিং শেখার জন্য ডিজাইন করা হয়েছে।
প্রক্সি-এনসিএ লস
নেইবারহুড কম্পোনেন্টস অ্যানালিসিসের একটি বৈকল্পিক যা প্রতিটি ক্লাসের প্রতিনিধিত্ব করতে শেখার যোগ্য প্রক্সি ব্যবহার করে, জোড়াভিত্তিক পদ্ধতির তুলনায় গণনাগত জটিলতা হ্রাস করে। এটি বৃহৎ স্কেলের ডেটাসেটের জন্য বিশেষভাবে কার্যকর।
ডিপ মেট্রিক লার্নিং
কাঁচা ডেটা থেকে জটিল দূরত্ব বা সাদৃশ্য ফাংশন শেখার জন্য গভীর নিউরাল নেটওয়ার্কের প্রয়োগ। এই পদ্ধতিটি গভীর নেটওয়ার্কের প্রতিনিধিত্বমূলক শক্তিকে মেট্রিক লার্নিংয়ের নীতিগুলির সাথে একত্রিত করে।
সাদৃশ্য শেখা
শেখার একটি প্যারাডাইম যেখানে মডেলটি সরাসরি লেবেল ভবিষ্যদ্বাণী করার পরিবর্তে উদাহরণ জোড়ার মধ্যে সাদৃশ্য মূল্যায়ন করতে শেখে। এই পদ্ধতিটি ফিউ-শট লার্নিং এবং সুপারিশ সিস্টেমের জন্য মৌলিক।