در حال آماده‌سازی...
مفاهیم و اصطلاحات هوش مصنوعی را عمیق‌تر بشناس.
سوگیری؛ تمایل سیستم به خروجی‌های ناعادلانه یا یک‌طرفه به دلیل داده‌های آموزشی یا طراحی مدل. سوگیری می‌تواند باعث شود مدل برای بعضی گروه‌ها یا شرایط عملکرد نامناسب‌تری داشته باشد و بنابراین باید در ارزیابی مدل بررسی شود.
مشاهدهٔ جزئیاتتعارض سوگیری-واریانس؛ تعادل بین ساده بودن مدل و توانایی یادگیری جزئیات داده. مدل بیش‌ازحد ساده معمولا سوگیری بیشتری دارد و مدل بیش‌ازحد پیچیده ممکن است واریانس بالایی داشته باشد؛ هدف پیدا کردن تعادل مناسب است.
مشاهدهٔ جزئیاتکلانداده؛ مجموعه‌داده‌های بسیار بزرگ و پیچیده که با ابزارهای معمولی قابل پردازش نیستند. ویژگی کلان‌داده فقط حجم زیاد نیست و سرعت تولید، تنوع و پیچیدگی داده نیز اهمیت دارد.
مشاهدهٔ جزئیاتطبقهبندی دودویی؛ پیش‌بینی بین دو حالت مثل اسپم/غیر اسپم یا بیمار/سالم. خروجی چنین مدلی معمولا یکی از دو کلاس است؛ مثلا تشخیص ایمیل اسپم یا غیر اسپم.
مشاهدهٔ جزئیاتفیلتر بلوم؛ ساختار داده‌ای برای بررسی سریع اینکه آیا یک آیتم احتمالا در مجموعه هست یا نه. مزیت آن سرعت و مصرف حافظه کم است، اما ممکن است وجود یک آیتم را اشتباه مثبت اعلام کند و برای پاسخ قطعی مناسب نیست.
مشاهدهٔ جزئیاتباتها؛ برنامه‌های خودکار که کارهای تکراری مثل پاسخ به پیام‌ها را انجام می‌دهند. بات‌ها می‌توانند برای پاسخ‌گویی، جمع‌آوری اطلاعات، اجرای وظایف تکراری و ارتباط خودکار با کاربران استفاده شوند.
مشاهدهٔ جزئیاتجعبه محدودکننده؛ مستطیلی روی تصویر که محل یک شیء را نشان می‌دهد. در تشخیص اشیا، هر جعبه معمولا همراه با برچسب شیء و میزان اطمینان مدل ارائه می‌شود.
مشاهدهٔ جزئیاتهوش کسب‌وکار؛ تحلیل داده‌ها برای تصمیم‌گیری بهتر در سازمان. BI معمولا داده‌های فروش، مالی، مشتری و عملیات را به گزارش و بینش قابل استفاده برای مدیران تبدیل می‌کند.
مشاهدهٔ جزئیاتواحد 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 جزئیات