🏠 होम
बेंचमार्क
📊 सभी बेंचमार्क 🦖 डायनासोर v1 🦖 डायनासोर v2 ✅ टू-डू लिस्ट ऐप्स 🎨 रचनात्मक फ्री पेज 🎯 FSACB - अल्टीमेट शोकेस 🌍 अनुवाद बेंचमार्क
मॉडल
🏆 टॉप 10 मॉडल 🆓 मुफ्त मॉडल 📋 सभी मॉडल ⚙️ किलो कोड
संसाधन
💬 प्रॉम्प्ट लाइब्रेरी 📖 एआई शब्दावली 🔗 उपयोगी लिंक

एआई शब्दावली

आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश

179
श्रेणियाँ
1,183
उप-श्रेणियाँ
14,904
शब्द
📖
शब्द

ICE Plot

Visualisation montrant comment la prédiction change pour chaque observation individuelle lorsqu'une caractéristique varie, contrairement au PDP qui montre l'effet moyen. Les plots ICE révèlent l'hétérogénéité des effets et les sous-groupes de comportement.

📖
शब्द

ALE Plot

Alternative au PDP qui calcule les effets locaux en moyennant les différences de prédictions dans les régions de l'espace des caractéristiques. Les plots ALE évitent les biais des PDP lorsque les caractéristiques sont corrélées.

📖
शब्द

Activation Maps

Cartes thermiques superposées aux images d'entrée montrant les régions qui activent le plus fortement les neurones dans les réseaux de neurones convolutifs. Les activation maps expliquent visuellement ce que le modèle a détecté dans une image.

📖
शब्द

t-SNE Visualization

Projection non linéaire de données haute dimension en 2D ou 3D préservant les relations locales entre points pour révéler des clusters. Le t-SNE aide à comprendre la structure latente des représentations apprises par le modèle.

📖
शब्द

UMAP Projection

Technique de réduction dimensionnelle alternative au t-SNE offrant une meilleure préservation de la structure globale et une plus grande rapidité d'exécution. L'UMAP révèle les manifolds sous-jacents dans les embeddings de modèles complexes.

📖
शब्द

Model Comparison Radar Chart

Visualisation en toile d'araignée comparant simultanément plusieurs modèles selon différentes métriques de performance. Ce graphique facilite l'évaluation multicritère et le choix du meilleur modèle selon les priorités.

📖
शब्द

Permutation Importance Visualization

Graphique montrant la baisse de performance du modèle lorsque les valeurs d'une caractéristique sont aléatoirement permutées, évaluant ainsi son importance réelle. Cette méthode capture les effets non linéaires et les interactions mieux que l'importance classique.

🔍

कोई परिणाम नहीं मिला