در حال آماده‌سازی...
مفاهیم و اصطلاحات هوش مصنوعی را عمیق‌تر بشناس.
واحد پردازش مرکزی؛ بخش اصلی کامپیوتر برای اجرای دستورها، که در آموزش مدل هم استفاده می‌شود. CPU برای اجرای عمومی برنامه‌ها مناسب است و در برخی مراحل آماده‌سازی داده و اجرای مدل نیز استفاده می‌شود.
مشاهدهٔ جزئیاتکالیبراسیون؛ تنظیم خروجی‌های احتمالی مدل تا با واقعیت بیشتر هماهنگ باشند. مدل کالیبره‌شده وقتی مثلا احتمال ۸۰ درصد اعلام می‌کند، در شرایط مشابه باید تقریبا در ۸۰ درصد موارد درست باشد.
مشاهدهٔ جزئیاتتولید نامزد؛ مرحله اولیه در سیستم‌های پیشنهاددهنده برای انتخاب چند گزینه از بین همه. این مرحله فضای جست‌وجو را کوچک می‌کند تا مراحل بعدی سیستم پیشنهاددهنده بتوانند گزینه‌ها را دقیق‌تر رتبه‌بندی کنند.
مشاهدهٔ جزئیاتظرفیت مدل؛ توانایی مدل برای یادگیری الگوهای پیچیده (مدل‌های بزرگ ظرفیت بیشتری دارند). ظرفیت بیشتر به مدل اجازه می‌دهد الگوهای پیچیده‌تری را یاد بگیرد، اما به‌تنهایی تضمین‌کننده عملکرد بهتر نیست.
مشاهدهٔ جزئیاتمدل آبشاری؛ ترکیب چند مدل که هر کدام بخشی از تصمیم‌گیری را انجام می‌دهند. این معماری می‌تواند با استفاده از مدل‌های ساده‌تر در مراحل اولیه و مدل‌های دقیق‌تر در مراحل بعدی، هزینه پردازش را کاهش دهد.
مشاهدهٔ جزئیاتعلیت؛ بررسی روابط علت و معلول در داده‌ها، فراتر از همبستگی ساده. دانستن اینکه دو اتفاق با هم مرتبط‌اند با دانستن اینکه یکی علت دیگری است تفاوت دارد و تحلیل علی برای تشخیص این تفاوت به کار می‌رود.
مشاهدهٔ جزئیاتزنجیره فکر؛ روشی برای هدایت مدل به سمت حل مرحله‌ای یک مسئله؛ جزئیات استدلال داخلی مدل لزوما نباید نمایش داده شوند.
مشاهدهٔ جزئیاتپرامپتدهی زنجیره‌ای؛ روشی برای درخواست حل مرحله‌ای مسئله از مدل، به‌ویژه برای مسائل چندمرحله‌ای.
مشاهدهٔ جزئیاتچتجیپیتی؛ یک مدل زبانی بزرگ معروف که برای چت، پاسخ‌گویی و تولید متن استفاده می‌شود. کاربر می‌تواند با آن گفتگو کند، سؤال بپرسد، متن تولید یا خلاصه کند و در بسیاری از کارهای فکری از آن کمک بگیرد.
مشاهدهٔ جزئیاتچتبات؛ برنامه‌ای که مکالمه متنی یا صوتی با انسان را شبیه‌سازی می‌کند. چت‌بات‌ها می‌توانند برای پاسخ به پرسش‌های متداول، پشتیبانی مشتری، راهنمایی کاربران و انجام برخی فرآیندها استفاده شوند.
مشاهدهٔ جزئیاتقطعه؛ بخشی از یک سند که پس از Chunking به‌عنوان یک واحد مستقل برای پردازش یا بازیابی استفاده می‌شود.
مشاهدهٔ جزئیاتقطعهبندی؛ تقسیم یک سند یا متن بزرگ به بخش‌های کوچک‌تر تا جست‌وجو، پردازش و استفاده از آن برای مدل آسان‌تر شود.
مشاهدهٔ جزئیاتمدار منطقی؛ ساختاری از گیت‌ها یا عملیات ریاضی که محاسبه را در شبکه یا تراشه انجام می‌دهد.
مشاهدهٔ جزئیاتارجاع؛ اشاره به منبعی که اطلاعات استفاده‌شده برای تولید یک پاسخ از آن آمده است.
مشاهدهٔ جزئیاتعدم توازن کلاس؛ زمانی که تعداد نمونه‌های یک برچسب خیلی کمتر از بقیه است و مدل به سمت برچسب‌های پرتکرار متمایل می‌شود. در چنین شرایطی ممکن است مدل کلاس پرتعداد را خوب تشخیص دهد اما در شناسایی کلاس کم‌تعداد، که گاهی مهم‌تر است، ضعیف باشد.
مشاهدهٔ جزئیاتطبقهبندی؛ پیش‌بینی اینکه ورودی به کدام دسته یا برچسب تعلق دارد. برای مثال می‌توان پیام‌ها را به اسپم و غیر اسپم یا درخواست‌های مشتری را به چند دسته موضوعی تقسیم کرد.
مشاهدهٔ جزئیاتهوش مصنوعی ابری؛ اجرای مدل‌های هوش مصنوعی روی سرورهای ابری مثل AWS یا Azure به جای کامپیوتر شخصی. مزیت آن دسترسی به توان پردازشی و مدل‌های قدرتمند بدون نیاز به تهیه و نگهداری سخت‌افزار سنگین است.
مشاهدهٔ جزئیاتخوشهبندی؛ گروه‌بندی خودکار داده‌های مشابه بدون برچسب‌های از پیش تعریف‌شده. این روش برای کشف گروه‌های طبیعی در داده، مانند دسته‌بندی مشتریان بر اساس رفتار، کاربرد زیادی دارد.
مشاهدهٔ جزئیاتتولید کد؛ استفاده از مدل‌های زبانی برای نوشتن یا تکمیل کد برنامه‌نویسی. ابزارهای تولید کد می‌توانند نوشتن کد، تکمیل بخش‌های ناقص، توضیح کد و ایجاد تست را سریع‌تر کنند، اما خروجی آن‌ها باید بررسی شود.
مشاهدهٔ جزئیاتمحاسبات شناختی؛ سیستم‌هایی که تلاش می‌کنند رفتار و فکر انسان را شبیه‌سازی کنند. این اصطلاح بیشتر برای سیستم‌هایی به کار می‌رود که قصد دارند درک، استدلال یا تعامل شبیه انسان را در یک کاربرد مشخص فراهم کنند.
مشاهدهٔ جزئیاتتوان محاسباتی؛ مجموع ظرفیت پردازش در دسترس برای آموزش و اجرای مدل؛ معمولا با نوع شتاب‌دهنده، تعداد آن و ساعات مصرف سنجیده می‌شود.
مشاهدهٔ جزئیاتبینایی کامپیوتر؛ شاخه‌ای از هوش مصنوعی که به درک و تحلیل تصاویر و ویدیوها می‌پردازد. کاربردهای آن شامل تشخیص چهره و اشیا، بررسی تصاویر پزشکی، کنترل کیفیت و تحلیل ویدیو است.
مشاهدهٔ جزئیاترانش مفهوم؛ تغییر تدریجی الگوهای داده در طول زمان که باعث افت عملکرد مدل می‌شود. اگر رفتار داده‌های واقعی تغییر کند، مدلی که قبلا دقیق بوده ممکن است به مرور نیاز به پایش و بازآموزی داشته باشد.
مشاهدهٔ جزئیاتماتریس درهم‌ریختگی؛ جدول برای نمایش تعداد پیش‌بینی‌های درست و غلط برای هر کلاس. از این جدول می‌توان مواردی مانند مثبت کاذب و منفی کاذب را دید و فهمید مدل در کدام کلاس‌ها بیشتر خطا می‌کند.
مشاهدهٔ جزئیات