| کلمات | توضیح | |
|---|---|---|
| ۱ | Data Analysis |
درک داده‌ها با در نظر گرفتن نمونه‌ها و اندازه‌گیری و تصویرسازی از آن‌ها. داده‌کاوی به ویژه هنگامی که مجموعه داده‌ای برای اولین بار دریافت می‌شود می‌تواند برای فردی که می‌خواهد اولین مدل را آموزش دهد... |
| ۲ | Data Augmentation |
افزایش مصنوعی بازه و تعداد نمونه‌های آموزش با تغییر نمونه‌های موجود. به عنوان مثال، فرض کنید تصاویر یکی از ویژگی‌های مورد استفاده شما هستند، اما مجموعه داده تعداد کافی نمونه تصویر برای آموزش کاربردی... |
| ۳ | Dataset |
مجموعه‌ای از نمونه‌ها. |
| ۴ | DataFrame |
یک نوع داده معروف برای نمایش مجموعه داده‌ها در pandas. DataFrame ساختاری مشابه جدول دارد. هر ستون آن یک نام یا سرتیتر (header) دارد و هر ردیف با یک شماره مشخص می‌شود. |
| ۵ | Decision Boundary |
مرزی که کلاس‌های مختلف را از هم جدا می‌کند و توسط یک مدل در یک مساله طبقه‌بندی دوتایی یا چندتایی یاد گرفته شده است. به عنوان مثال، در تصویر زیر که یک مساله دسته‌بندی دوتایی را نشان می‌دهد، مرز بین دو... |
| ۶ | Decision Threshold |
مترادف‌‌ها: آستانه دسته‌بندی (classification threshold) |
| ۷ | Decision Tree |
مدلی که به عنوان دنباله ای از انشعاب‌ها نشان داده می‌شود. به عنوان مثال، درخت تصمیم ساده‌سازی‌شده زیر برای پیش‌بینی قیمت خانه ( هزار دلار) دارای چندین شاخه است. بر اساس این درخت تصمیم، پیش‌بینی... |
| ۸ | Deep Model |
نوعی از شبکه‌های عصبی که دارای چندین لایه پنهان (hidden layer) هستند. متضاد: مدل‌های گسترده (wide model) |
| ۹ | Deep Neural Network |
مترادفی برای مدل عمیق است. |
| ۱۰ | Deep Q-network (DQN) |
در یادگیری Q ، یک شبکه‌ی عصبی عمیق است که توابع Q را پیش‌بینی می‌کند. می‌توان گفت نقاد (Critic) مترادفی برای شبکه‌ی عمیق Q است. |
| ۱۱ | Demographic Parity |
یک معیار سنجش برابری است برای زمانی که پاسخ مدل به یک ویژگی حساس وابسته نباشد. به عنوان مثال اگر دو گروه از افراد کوتاه و بلند قامت برای یک دانشگاه درخواست بفرستند، در صورت پذیرش درصد مساوی از هر دو... |
| ۱۲ | Dense Feature |
ویژگی‌ای که در آن بیشتر مقادیر غیر صفراند . به طور معمول یک تنسور از مقادیر شناور، در تضاد با ویژگی پراکنده است. |
| ۱۳ | Dense Layer |
مترادفی برای لایه کاملاً همبند است. |
| ۱۴ | Depth |
تعداد لایه‌ها (از جمله هر لایه‌ی تعبیه شده) در یک شبکه عصبی که وزن‌ها را یاد می‌گیرند. به عنوان مثال، یک شبکه عصبی با ۵ لایه پنهان و ۱ لایه خروجی دارای عمق ۶ است. |
| ۱۵ | Depthwise Separable Convolutional Neural Network (sepcnn) |
یک معماری شبکه‌ی عصبی کانولوشنال مبتنی بر Inception است که ماژول‌های آن با کانولوشن کانال‌های تفکیک‌پذیر جایگزین می‌شوند. همچنین به عنوان Xception شناخته می‌شود. کانولوشن کانال‌های تفکیک‌پذیر یک... |
| ۱۶ | Dimension Reduction |
کاهش تعداد ابعاد مورد استفاده برای نشان دادن یک ویژگی خاص درz یک بردار ویژگی که به طور معمول با تبدیل به تعبیه صورت می‌گیرد. |
| ۱۷ | Dimensions |
با هر یک از عبارات زیر قابل تعریف است: تعداد سطوح مختصات در یک تنسور. مثلا: یک مقیاس دارای ابعاد صفر است. به عنوان مثال : ["سلام"] یک وکتور یک بعد دارد. به عنوان مثال : [3 ، 5 ، 7... |
| ۱۸ | Discrete Feature |
یک ویژگی با مجموعه محدودی از مقادیر ممکن است. به عنوان مثال ویژگی‌ای که مقادیر آن فقط ممکن است حیوانی، نباتی یا معدنی باشد یک ویژگی گسسته یا طبقه بندی شده است.( در تضاد با ویژگی پیوسته) |
| ۱۹ | Discriminative Model |
مدلی که برچسب‌ها را از مجموعه‌ای از یک یا چند ویژگی، پیش‌بینی می‌کند. به طور کلی‌تر مدل‌های تشخیص‌دهنده احتمال شرطی یک خروجی را با توجه به ویژگی‌ها و وزن‌ها تعریف می‌کنند. به این صورت که: (خروجی |... |
| ۲۰ | Discriminator |
سیستمی که مشخص می‌کند نمونه‌ها واقعی یا ساختگی هستند و به عنوان یک زیر سیستم در شبکه‌ی مولد تخاصمی بر کار مولد نظارت می‌کند. |
| ۲۱ | Disparate Impact |
تصمیم‌گیری نامتناسب در مورد افرادی که تحت تاثیر گروه‌های مختلف جامعه قرار دارند. معمولا در شرایطی که یک فرآیند تصمیم‌گیری الگوریتمی بجای سود، به بعضی از زیر گروه‌ها آسیب می‌رساند. به عنوان مثال... |
| ۲۲ | Disparate Treatment |
ویژگی‌های حساس فاکتورسازی را به گونه‌ای در یک فرآیند تصمیم گیری الگوریتمی قرار می‌دهد که با زیر گروه‌های مختلف از مردم متفاوت رفتار می‌شود(تبعیض). به عنوان مثال الگوریتمی را در نظر بگیرید که صلاحیت... |
| ۲۳ | Divisive Clustering |
خوشه‌بندی سلسله مراتبی را ببینید. |
| ۲۴ | Downsampling |
با هر یک از عبارات زیر قابل تعریف است: به منظور آموزش کارآمدتر مدل، مقدار اطلاعات موجود در یک ویژگی را کاهش می‌دهد. به عنوان مثال قبل از آموزش یک مدل تشخیص تصویر، تصاویر با وضوح بالا را به یک فرمت با... |
| ۲۵ | DQN |
اختصار Deep Q-Network. |
| ۲۶ | Dropout Regularization |
نوعی تنظیم کارآمد در آموزش شبکه‌های عصبی است که با حذف یک انتخاب تصادفی از تعداد ثابت واحدهای یک لایه شبکه کار می کند. هرچه واحدها بیشتر از بین بروند، نظم و انعطاف پذیری قوی‌تر می‌شود.که شبیه به آموزش... |
| ۲۷ | Dynamic Model |
مدلی که آنلاین و به صورت پیوسته آموزش داده می‌شود.یعنی داده‌ها بطور پیوسته وارد مدل می‌شوند. |