এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
প্রোটোটাইপ নেটওয়ার্ক
মেটা-লার্নিং আর্কিটেকচার যা প্রশিক্ষণ উদাহরণের এম্বেডিংগুলির গড় গণনা করে ক্লাস প্রোটোটাইপ তৈরি করে এবং ইউক্লিডীয় দূরত্ব ন্যূনতম করে নতুন উদাহরণ শ্রেণীবদ্ধ করে।
ক্লাস প্রোটোটাইপ
একটি ক্লাসের কেন্দ্রীয় ভেক্টর উপস্থাপনা যা সাপোর্ট সেটের উদাহরণগুলির এম্বেডিংগুলির গড় হিসাবে গণনা করা হয়, শ্রেণীবিভাগের জন্য রেফারেন্স হিসেবে কাজ করে।
দূরত্বের উপর সফটম্যাক্স
অ্যাক্টিভেশন ফাংশন যা ক্যোয়ারী এবং প্রোটোটাইপগুলির মধ্যে নেতিবাচক দূরত্বগুলিকে শ্রেণীবিভাগের সম্ভাবনায় রূপান্তর করে exp(-d) / Σ exp(-d) সূত্র ব্যবহার করে।
প্রোটোটাইপিক্যাল লস
লস ফাংশন যা এনকোডার অপ্টিমাইজ করে প্রোটোটাইপ স্পেসে ইন্ট্রা-ক্লাস দূরত্ব কমাতে এবং ইন্টার-ক্লাস দূরত্ব বাড়াতে।
প্রোটোটাইপ ভেক্টরাইজেশন
সাপোর্ট উদাহরণগুলিকে সংখ্যাসূচক ভেক্টরে রূপান্তরের প্রক্রিয়া যা প্রতিটি ক্লাসের প্রয়োজনীয় বৈশিষ্ট্যগুলি উপস্থাপন করে।
ক্লাস বিভাজন
প্রোটোটাইপ নেটওয়ার্কের প্রধান উদ্দেশ্য যা এম্বেডিং স্পেসে বিভিন্ন ক্লাসের প্রোটোটাইপগুলির মধ্যে দূরত্ব সর্বাধিক করতে চায়।
দূরত্ব-ভিত্তিক শ্রেণীবিভাগ
প্যারামিটারাইজড ক্লাসিফায়ারগুলির বিকল্প পদ্ধতি যেখানে পূর্বাভাস শেখা ওয়েটের পরিবর্তে ক্লাস উপস্থাপনার মেট্রিক নৈকট্যের উপর ভিত্তি করে।
ক্লাস সেন্ট্রয়েড
একটি ক্লাসের এম্বেডিংগুলির মাধ্যাকর্ষণ কেন্দ্র উপস্থাপনকারী গাণিতিক বিন্দু, প্রোটোটাইপ গঠনের জন্য ভেক্টর গড় হিসাবে গণনা করা হয়।
এম্বেডিং মাত্রা
ভেক্টর স্পেসের আকার যেখানে প্রোটোটাইপ এবং কোয়েরিগুলি উপস্থাপিত হয়, যা মডেলের বৈষম্য করার ক্ষমতাকে প্রভাবিত করে।
সাদৃশ্য ফাংশন
দুটি ভেক্টরের মধ্যে নৈকট্য পরিমাপ করার গাণিতিক ফাংশন, যা প্রোটোটাইপ নেটওয়ার্কে কোয়েরিগুলিকে প্রোটোটাইপের সাথে তুলনা করতে ব্যবহৃত হয়।
এপিসোডিক শিক্ষণ
প্রশিক্ষণ কৌশল যেখানে প্রতিটি ব্যাচ একটি সম্পূর্ণ ফিউ-শট টাস্ক গঠন করে, যা মডেলকে দ্রুত সাধারণীকরণের ক্ষমতা শিখতে দেয়।
প্রোটোটাইপিক উপস্থাপনা
শ্রেণীবিভাগ মডেল যেখানে প্রতিটি শ্রেণী একটি অনন্য ভেক্টর দ্বারা উপস্থাপিত হয় যা উপলব্ধ উদাহরণগুলির অপরিহার্য বৈশিষ্ট্যগুলি ধারণ করে।