GoConqr hat ein neues Design! Sag uns, wie es dir gefällt.

Kostenlos registrieren

Karteikarten

Terminologia MachineLearning

Miguel Calle Machine Learning Spanisch 72 Karten

Terminologia MachineLearning

Karten in diesem Stapel (72)

  1. 1A/B TestingCompara estadísticamente dos o más técnicas. Determina que técnica se desempeña mejor. Comprende si la diferencia tiene importancia estadística.
  2. 2accuracy (exactitud)Fracción de predicciones que se realizaron correctamente en un modelo de clasificación.
  3. 3en Clasificación de clases múltiplesen Clasificación de clases múltiples
  4. 4en Clasificación Binariaen Clasificación Binaria
  5. 5Activation Function (Función de Activación)ReLU o sigmoide
    incorpora la suma ponderada de todas las entradas de la capa anterior y genera un valor de resultado (generalm no lineal) que pasa a la siguiente capa.
  6. 6AdaGradAlgoritmo de descenso de gradientes que reajusta los gradientes de cada parametro y le asigna una tasa de aprendizaje independiente a cada parametro.
  7. 7AUC (area bajo la curva ROC)Métrica de evaluación que considera todos los umbrales de clasificación posibles.
  8. 8AUCEs la probabilidad de que un clasificador tenga más seguridad de que un ejemplo positivo elegido al azar sea realmente positivo con respecto a que un ejemplo negativo elegido al azar sea positivo.
  9. 9Backpropagation (Propagación inversa)Algoritmo para realizar descenso de gradientes en redes neuronales. 1 valores de resultado de cada nodo se calculan (se almacenan en cache) y se propaga hacia adelante. Después, el derivado parcial del error con respecto a cada parámetro se calcula y se propaga hacia atrás a través del gráfico.
  10. 10Baseline (modelo de referencia)Modelo simple o heurístico que se usa como punto de partida para comparar la eficacia del desempeño de un modelo.
  11. 11Batch (lote)Conjunto de ejemplos que se usa en una iteración (actualización del gradiente) del entrenamiento de modelos.
  12. 12Batch size (Tamaño del lote)Numero de ejemplos que hay en un lote. Generalm. se fija el tamaño del lote durante el entrenamiento y la inferencia. Tensor Flow permite tamaños de lotes dinámicos.
  13. 13Bias (ordenada al origen)Una intersección o un desplazamiento del origen. En modelos de aprendizaje automático se refiere a la ordenada al origen.
  14. 14Ordenada al origen es la b en la siguiente formula.Ordenada al origen es la b en la siguiente formula.
  15. 15BinningDiscretizacion
  16. 16Bucketing (agrupamiento)Conversión de un atributo en varios atributos binarios denominados agrupamientos o discretizaciones.
    En lugar de representar la temperatura como una función continua de punto flotante, se puede discretizar.
  17. 17Calibration layer (capa de calibración)Ajuste posterior a la predicción, para dar cuenta del margen de predicción. Predicciones ajustadas y las probabilidades deben coincidir con la distribución del conjunto de etiquetas observado.
  18. 18Candidate sampling (muestreo de candidatos)Optimización en el entrenamiento en la que una probabilidad se calcula para todas las etiquetas positivas, pero solo para una muestra aleatoria de etiquetas negativas.
  19. 19Candidate samplingLa idea es que las clases negativas puedan aprender del refuerzo negativo de forma menos frecuente, siempre y cuando las positivas obtengan el refuerzo positivo adecuado y este se observe empíricamente.
  20. 20Categorical Data (Datos Categoricos)Atributos que tienen un conjunto discreto de valores posibles. Los valores del conjunto discreto son mutuamente exclusivos y solo se pueden aplicar un valor a un ejemplo determinado. Otras veces se puede aplicar más de un valor.
  21. 21Centroid (Centroide)El centro de un clúster se determina mediante el algoritmo k-medios o k-mediana.
  22. 22Checkpoint (Punto de control)Datos que capturan el estado de las variables de un modelo en un momento particular. Permiten exportar pesos del modelo, así como llevar a cabo el entrenamiento en varias sesiones. Permite que el entrenamiento continue después de los errores.
  23. 23Class (clase)Valor de un conjunto de valores de segmentación enumerados para una etiqueta.
  24. 24Class-imbalanced data set (conjunto de datos de clase desequilibrada)Problema de clasificación binaria en el que las etiquetas de las dos clases tienen frecuencias significativamente diferentes.
  25. 25Classification model (modelo de clasificacion)Tipo de modelo de aprendizaje automático para distinguís enter dos o mas clases discretas.
  26. 26Classification thresholdCriterio de valor de escalar que se aplica a la predicción de un modelo para separar la clase positiva de la negativa. Se usa para asignar resultados de regresión logística a la clasificación binaria.
  27. 27Clustering (agrupamiento de clusteres)Agrupar ejemplos relacionados, particularmente durante el aprendizaje no supervisado. Una vez que todos los ejemplos están agrupados, una persona puede, de forma opcional, asignar un significado a cada clúster.
  28. 28ClusteringEl algoritmo k-medios agrupa ejemplos sobre la base de su proximidad a un centroide como en el diagrama.
  29. 29Algoritmo k-mediosAlgoritmo k-medios
  30. 30Collaborative filtering (filtrado colaborativo)Tarea de realizar predicciones acerca de los interese de un usuario en funcion de los intereses de muchos otros usuarios . El filtrado colaborativo se usa con frecuencia en los sistemas de recomendaciones.
  31. 31Confusion Matrix (matriz de confusion)Tabla de NxN que resume el nivel de éxito de las predicciones de un modelo de clasificación; es decir, la correlacione entre la etiqueta y la clasificación del modelo.
  32. 32confusion matrixUn eje de la matriz de confusión es la etiqueta que el modelo predijo el otro es la etiqueta real.
    La matriz de confusión de un problema de clasificación de clases múltiples puede ayudarte a determinar patrones de error.
  33. 33confusion matrixLas Matrices de confusión contienen información suficiente para calcular una variedad de métricas de rendimiento, incluidas la precisión y la recuperación.
  34. 34continuous feature (atributo continuo)Atributo de punto flotante con un rango infinito de valores posibles.
  35. 35Convergence (convergencia)Estado que se alcanza durante el entrenamiento, en el que la perdida y la perdida de validación cambian muy poco o nada con cada interacción después de un determinado número de interacciones.
  36. 36ConvergenciaEn aprendizaje profundo, los calores de perdida a veces permanecen constantes durante muchas iteraciones antes de descender finalmente, lo cual produce una falsa sensación de convergencia temporal.
  37. 37Convex Function (atributo convexo)Atributo en el que la region por encima del grafico del atributo es un conjunto convexo.
  38. 38convex functionconvex function
  39. 39atributo no convexoatributo no convexo
  40. 40Atributo estrictamente convexoTiene exactamente un punto mínimo local, que también es el punto mínimo global. Los atributos clásicos con forma de U son atributos estrictamente convexos.
  41. 41Atribustos de perdidaSiguientes atributos de perdida son atributos convexos: Perdida L2, perdida logística (log loss), regulación L1, regulación L2.
  42. 42Modelos profundosNunca son atributos convexos. Los algoritmos diseñados para la optimización convexa tienden a encontrar soluciones razonablemente buenas en las redes profundas, no se garantiza que la solución sea un mínimo global.
  43. 43Convex Optimization (Optimizacion Convexa)Procesos que utilizan técnicas matemáticas como el descenso de gradientes, para encontrar el mínimo de un atributo convexo.
  44. 44Convex set (Conjunto Convexo)Subconjunto del espacio euclideo en el que una linea dibujada entro dos puntos cualesquiera en el subconjunto permanece completamente dentro del subconjunto.
  45. 45Convex SetConvex Set
  46. 46Convolution (convolucion)La convolución es una manera de mezclar dos funcione que mide cuanta superposición hay entre las dos funciones. En aprendizaje automático, una convolución mezcla el filtro convolucional y la matriz de entrada para entrenar pesos.
  47. 47convoluciónEn aprendizaje automático se refiere de manera abreviad a una operación convolucional o a una capa convolucional.
  48. 48Convolutional Filter (filtro convolucional)Es una matriz que tiene el mismo rango que la entrada, pero una forma mas pequeña. En el aprendizaje automático, los filtros convolucionales generalmente se inician con números aleatorios y luego la red entrena los valores ideales.
  49. 49Convolutional Layer (capa convolucional)Una capa de una red neuronal profunda en la que un filtro convolucional pasa a lo largo de una matriz de entrada.
  50. 50Convolutional Neural Network (Red neuronal convolucional)Una red neuronal en la que al menos una capa es una capa convolucional. Consiste en una combinación de: Capas convolucionales, capas de reducción, capas densas.
  51. 51Convolutional Operation (Operación Convolucional)Operación matemática de dos pasos: 1. Multiplicación por elementos del filtro convolucional y una porción de una matriz de entrada. 2. Suma de todos los valores en la matriz de producto resultante.
  52. 52Capa ConvolucionalConsiste en una serie de operaciones convoluciones que actúan en porciones diferentes de la matriz de entrada.
  53. 53Cost (costo)Sinonimo de perdida
  54. 54Cross-Entropy (entropia cruzada)Una generalización de perdida logística en problemas de clasificación de clases múltiples. La entropía cruzada cuantificada la diferencia entre dos distribuciones de probabilidad.
  55. 55Custom Estimator (estimador personalizado)estimadores que escribes tu mismo
  56. 56Data analysis (Análisis de datos)El proceso de obtener una comprensión de los datos mediante la consideración de muestras, mediciones y visualizaciones. Es útil cuando se recibe los datos por primera ces antes de crear el primer modelo.
  57. 57DataFrameTipo de datos Python que se usa para representar conjuntos de datos en Pandas.
  58. 58data set (conjunto de datos)Colección de ejemplos.
  59. 59Dataset API (API del conjunto de datos) (tf.data)API de Tensor Flow de alto nivel para leer datos y transformarlos en un formato que requiere un algoritmo de aprendizaje automático.
  60. 60Dataset APIUn objeto tf.data.Dataset representa una secuencia de elementos en la que cada uno de ellos contiene uno o mas Tensors.
  61. 61Dataset APIUn objeto tf.data.Iterator proporciona acceso a los elementos de un Dataset.
  62. 62Decision Boundary (limite de decision)Separador entre clases aprendido por un modelo en problemas de clasificación de clases múltiples o de clase binaria.
  63. 63dense layer (capa densa)Sinonimo de capa completamente conectada.
  64. 64deep model (modelo profundo)Tipo de red neuronal que contiene varias capas ocultas. Los modelos profundos se basan en la capacidad de entrenar no linealidades.
  65. 65dense feature (atributo denso)Atributo en el que la mayoría de los valores son distintos a cero, por lo general un tensor de valores de punto flotante.
  66. 66device (dispositivo)Categoria de harware que puede ejecutar una sesion de TensorFlow y que incluye CPU, GPU y TPU.
  67. 67discrete feature (atributo discreto)Atributo con un conjunto finito de valores posibles.
  68. 68dropout regularization (regularizacion de retirados)Forma de regulación que resulta útil en el entrenamiento de redes neuronales. La regulación de retirados funciona al quitar una selección aleatoria de un numero fijo de unidades de una capa de la red para un solo paso de gradiente.
  69. 69dynamic model (modelo dinámico )Modelo que se entrena en línea con actualizaciones continuas. esto significa que constantemente ingresan datos al modelo.
  70. 70early stopping (Interrupción anticipada)Método de regularización que implica finalizar el entrenamiento del modelo antes de que la perdida de entrenamiento deje de disminuir.
  71. 71early stoppingel entrenamiento del modelo finaliza cuando la perdida en un conjunto de datos de validación comienza a aumentar, es decir, cuando empeora el rendimiento de la generalización.
  72. 72embeddings (incorporaciones)Atributo categórico representado como un atributo de calor continuo. Las incorporaciones son una traslación de un vector de dimensiones altas a un espacio de dimensiones bajas.

Informationen

Beschreibung
Machine Learning Karteikarten am Terminologia MachineLearning, erstellt von Miguel Calle am 22/08/2019.
Erstellt von
Miguel Calle · Aug 2019
Aktualisiert
23 Aug 2019
Aufrufe
1
Bewertung

Feedback

Worum geht es?

Wie gefällt dir das neue Design?

Dein Eindruck