AI 용어집
인공지능 완전 사전
Carte de chaleur des poids
Visualisation matricielle codée en couleur représentant l'intensité des poids synaptiques entre les neurones d'un réseau, permettant d'identifier les connexions les plus influentes dans le modèle.
Graphique d'activation de neurones
Représentation visuelle des valeurs d'activation des neurones dans différentes couches d'un réseau, illustrant comment les informations sont transformées progressivement à travers l'architecture du modèle.
Diagramme d'architecture de modèle
Schéma structural détaillé montrant les couches, les connexions, et les dimensions des tenseurs dans un réseau de neurones, facilitant la compréhension de l'organisation globale du modèle.
Carte de caractéristiques profondes
Visualisation 2D ou 3D des caractéristiques apprises par les couches profondes d'un réseau, révélant les motifs abstraits que le modèle a identifiés dans les données d'entrée.
Graphique d'importance des variables
Diagramme à barres ou radar classifiant les features selon leur contribution prédictive dans le modèle, permettant d'identifier les variables les plus déterminantes pour les prédictions.
Visualisation d'espace latent
Projection en 2D/3D de l'espace de haute dimension où le modèle encode les données, révélant la structure et les relations cachées entre les échantillons dans cet espace abstrait.
Diagramme Sankey de flux de données
Visualisation évolutive montrant le flux et la transformation des données à travers les différentes couches du réseau, avec des bandes proportionnelles à l'importance des connexions.
Graphique de gradients intégrés
Visualisation montrant comment les gradients s'accumulent le long des chemins d'un réseau, aidant à comprendre quels chemins contribuent le plus aux décisions finales du modèle.
Carte de saillance (Saliency Map)
Superposition colorée sur les données d'entrée indiquant les régions qui influencent le plus la prédiction du modèle, essential pour comprendre le focus attentionnel du réseau.
Visualisation SHAP
Représentations graphiques basées sur les valeurs SHAP montrant l'impact individuel et collectif de chaque variable sur les prédictions, avec des explications locales et globales.
Graphique LIME
Visualisation des explications locales générées par LIME, montrant les poids et les contributions des caractéristiques pour une prédiction spécifique avec des graphiques explicatifs.
Diagramme t-SNE
Projection non-linéaire des embeddings du modèle en 2D préservant les relations locales, révélant les clusters et la structure intrinsèque des représentations apprises.
Visualisation UMAP
Projection dimensionnelle alternative à t-SNE préservant mieux la structure globale des données, offrant une vue plus fidèle des relations à grande échelle dans l'espace latent.
Carte d'attention
Visualisation des poids d'attention dans les modèles transformers, montrant quelles parties de l'entrée le modèle considère importantes pour chaque étape de traitement.
Frontière de décision animée
Visualisation dynamique montrant comment la surface de décision du modèle évolue pendant l'entraînement, illustrant l'apprentissage progressif des frontières de classification.
Histogramme d'activations par couche
Distribution des valeurs d'activation pour chaque couche du réseau, permettant d'identifier les problèmes de saturation ou de mort des neurones pendant l'entraînement.
Matrice de poids connexionnelle
Représentation matricielle complète des poids entre toutes les couches d'un réseau, visualisée comme une image thermique pour identifier les schémas de connectivité émergents.