Глоссарий машинного обучения,Глоссарий машинного обучения

В этом глоссарии определены общие термины машинного обучения, а также термины, специфичные для TensorFlow.

А

абляция

Метод оценки важности функции или компонента путем временного удаления его из модели . Затем вы переобучаете модель без этой функции или компонента, и если переобученная модель работает значительно хуже, то удаленная функция или компонент, вероятно, были важны.

Например, предположим, что вы обучаете модель классификации на 10 признаках и достигаете точности 88 % на тестовом наборе . Чтобы проверить важность первой функции, вы можете переобучить модель, используя только девять других функций. Если переобученная модель работает значительно хуже (например, точность 55%), то удаленная функция, вероятно, была важна. И наоборот, если переобученная модель работает так же хорошо, то эта функция, вероятно, не так уж важна.

Абляция также может помочь определить важность:

• Более крупные компоненты, например целая подсистема более крупной системы машинного обучения.
• Процессы или методы, такие как этап предварительной обработки данных.

В обоих случаях вы увидите, как изменится (или не изменится) производительность системы после удаления компонента.

А/Б тестирование

Статистический способ сравнения двух (или более) методов — А и Б. Обычно А — это существующая методика, а Б — новая методика. A/B-тестирование не только определяет, какой метод работает лучше, но также определяет, является ли разница статистически значимой.

A/B-тестирование обычно сравнивает одну метрику двух методов; например, как сравнивается точность модели для двух методов? Однако A/B-тестирование также позволяет сравнивать любое конечное число метрик.

чип-ускоритель

Категория специализированных аппаратных компонентов, предназначенных для выполнения ключевых вычислений, необходимых для алгоритмов глубокого обучения.

Чипы-ускорители (или просто ускорители , для краткости) могут значительно повысить скорость и эффективность задач обучения и вывода по сравнению с ЦП общего назначения. Они идеально подходят для обучения нейронных сетей и аналогичных вычислительно-интенсивных задач.

Примеры чипов-ускорителей включают в себя:

• Тензорные процессоры Google ( TPU ) со специальным оборудованием для глубокого обучения.
• Графические процессоры NVIDIA, изначально предназначенные для обработки графики, предназначены для обеспечения параллельной обработки, что может значительно повысить скорость обработки.

точность

Количество правильных прогнозов классификации, разделенное на общее количество прогнозов. То есть:

Например, модель, которая сделала 40 правильных прогнозов и 10 неправильных прогнозов, будет иметь точность:

Бинарная классификация дает конкретные названия различным категориям правильных и неправильных прогнозов . Итак, формула точности бинарной классификации выглядит следующим образом:

где:

• TP — количество истинных положительных результатов (правильных прогнозов).
• TN — количество истинных негативов (правильных прогнозов).
• FP — количество ложных срабатываний (неверных прогнозов).
• FN — количество ложноотрицательных результатов (неверных прогнозов).

Сравните и сопоставьте точность с точностью и отзывом .

accuracy = (TP + TN) / (TP + TN + FP + FN)
accuracy = (0 + 36499) / (0 + 36499 + 0 + 25) = 0.9993 = 99.93%

Дополнительную информацию см. в разделе «Классификация: точность, полнота, прецизионность и связанные с ними показатели» в ускоренном курсе машинного обучения.

действие

В обучении с подкреплением - механизм, с помощью которого агент переходит между состояниями окружающей среды . Агент выбирает действие, используя политику .

функция активации

Функция, которая позволяет нейронным сетям изучать нелинейные (сложные) связи между объектами и меткой.

Популярные функции активации включают в себя:

• РеЛУ
• сигмовидная

Графики функций активации никогда не представляют собой одиночные прямые линии. Например, график функции активации ReLU состоит из двух прямых:

График сигмовидной функции активации выглядит следующим образом:

weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0

Дополнительную информацию см. в разделе «Нейронные сети: функции активации в ускоренном курсе машинного обучения».

активное обучение

Подход к обучению , при котором алгоритм выбирает некоторые данные, на которых он учится. Активное обучение особенно ценно, когда помеченные примеры редки или дороги. Вместо слепого поиска разнообразного диапазона помеченных примеров алгоритм активного обучения выборочно ищет конкретный диапазон примеров, необходимый для обучения.

АдаГрад

Сложный алгоритм градиентного спуска, который масштабирует градиенты каждого параметра , эффективно давая каждому параметру независимую скорость обучения . Полное объяснение можно найти в этой статье AdaGrad .

агент

В обучении с подкреплением — сущность, которая использует политику для максимизации ожидаемой отдачи , полученной от перехода между состояниями среды .

В более общем смысле, агент — это программное обеспечение, которое автономно планирует и выполняет ряд действий для достижения цели, имея возможность адаптироваться к изменениям в окружающей среде. Например, агент на основе LLM может использовать LLM для создания плана вместо применения политики обучения с подкреплением.

агломеративная кластеризация

См. иерархическую кластеризацию .

обнаружение аномалий

Процесс выявления выбросов . Например, если среднее значение для определенного объекта равно 100 со стандартным отклонением 10, то обнаружение аномалий должно пометить значение 200 как подозрительное.

АР

Аббревиатура дополненной реальности .

площадь под кривой PR

См. PR AUC (площадь под кривой PR) .

площадь под кривой ROC

См. AUC (площадь под кривой ROC) .

общий искусственный интеллект

Нечеловеческий механизм, демонстрирующий широкий спектр решений проблем, креативность и адаптивность. Например, программа, демонстрирующая общий искусственный интеллект, могла бы переводить текст, сочинять симфонии и преуспевать в играх, которые еще не изобретены.

искусственный интеллект

Нечеловеческая программа или модель , способная решать сложные задачи. Например, программа или модель, которая переводит текст, или программа или модель, которая идентифицирует заболевания по радиологическим изображениям, обладают искусственным интеллектом.

Формально машинное обучение — это подобласть искусственного интеллекта. Однако в последние годы некоторые организации начали использовать термины «искусственный интеллект» и «машинное обучение» как синонимы.

внимание

Механизм, используемый в нейронной сети , который указывает важность определенного слова или части слова. Внимание сжимает объем информации, необходимой модели для прогнозирования следующего токена/слова. Типичный механизм внимания может состоять из взвешенной суммы по набору входных данных, где вес каждого входного сигнала вычисляется другой частью нейронной сети.

Обратитесь также к самовниманию и многоголовому самовниманию , которые являются строительными блоками Трансформеров .

См . LLM: Что такое большая языковая модель? в ускоренном курсе машинного обучения для получения дополнительной информации о самообслуживании.

атрибут

Синоним функции .

В рамках справедливости машинного обучения атрибуты часто относятся к характеристикам, относящимся к отдельным людям.

выборка атрибутов

Тактика обучения леса решений , в которой каждое дерево решений учитывает только случайное подмножество возможных признаков при изучении условия . Обычно для каждого узла отбирается различное подмножество функций. Напротив, при обучении дерева решений без выборки атрибутов для каждого узла рассматриваются все возможные функции.

AUC (Площадь под кривой ROC)

Число от 0,0 до 1,0, обозначающее способность модели бинарной классификации отделять положительные классы от отрицательных классов . Чем ближе AUC к 1,0, тем лучше способность модели отделять классы друг от друга.

Например, на следующем рисунке показана модель классификатора, которая идеально отделяет положительные классы (зеленые овалы) от отрицательных классов (фиолетовые прямоугольники). Эта нереально идеальная модель имеет AUC 1,0:

И наоборот, на следующем рисунке показаны результаты для модели классификатора, которая генерировала случайные результаты. Эта модель имеет AUC 0,5:

Да, предыдущая модель имеет AUC 0,5, а не 0,0.

Большинство моделей находятся где-то между двумя крайностями. Например, следующая модель несколько отделяет положительные значения от отрицательных и поэтому имеет AUC где-то между 0,5 и 1,0:

AUC игнорирует любые значения, установленные вами для порога классификации . Вместо этого AUC учитывает все возможные пороги классификации.

Дополнительную информацию см. в разделе «Классификация: ROC и AUC в ускоренном курсе машинного обучения».

дополненная реальность

Технология, которая накладывает изображение, созданное компьютером, на представление пользователя о реальном мире, создавая таким образом составное представление.

автоэнкодер

Система, которая учится извлекать наиболее важную информацию из входных данных. Автоэнкодеры представляют собой комбинацию кодера и декодера . Автоэнкодеры полагаются на следующий двухэтапный процесс:

1. Кодер преобразует входные данные в (обычно) низкоразмерный (промежуточный) формат с потерями.
2. Декодер создает версию исходного ввода с потерями, сопоставляя формат меньшей размерности с исходным входным форматом более высокой размерности.

Автокодировщики обучаются сквозно, заставляя декодер пытаться как можно точнее восстановить исходный входной сигнал из промежуточного формата кодера. Поскольку промежуточный формат меньше (меньшая размерность), чем исходный формат, автокодировщику приходится узнавать, какая информация на входе важна, и выходные данные не будут полностью идентичны входным.

Например:

• Если входные данные представляют собой графику, неточная копия будет похожа на исходную графику, но несколько изменена. Возможно, неточная копия удаляет шум из исходной графики или заполняет некоторые недостающие пиксели.
• Если входные данные представляют собой текст, автокодировщик сгенерирует новый текст, который имитирует (но не идентичен) исходному тексту.

См. также вариационные автоэнкодеры .

предвзятость автоматизации

Когда человек, принимающий решения, предпочитает рекомендации автоматизированной системы принятия решений информации, полученной без автоматизации, даже если автоматизированная система принятия решений допускает ошибки.

Дополнительную информацию см. в разделе «Справедливость: типы предвзятости» в ускоренном курсе машинного обучения.

АвтоМЛ

Любой автоматизированный процесс построения моделей машинного обучения . AutoML может автоматически выполнять такие задачи, как следующие:

• Найдите наиболее подходящую модель.
• Настройте гиперпараметры .
• Подготовьте данные (включая выполнение проектирования функций ).
• Разверните полученную модель.

AutoML полезен для специалистов по данным, поскольку может сэкономить им время и усилия при разработке конвейеров машинного обучения и повысить точность прогнозирования. Это также полезно для неспециалистов, поскольку делает сложные задачи машинного обучения более доступными для них.

Дополнительную информацию см. в разделе «Автоматическое машинное обучение (AutoML)» ускоренного курса машинного обучения.

авторегрессионная модель

Модель , которая делает прогноз на основе собственных предыдущих прогнозов. Например, авторегрессионные языковые модели прогнозируют следующий токен на основе ранее предсказанных токенов. Все модели большого языка на основе Transformer являются авторегрессионными.

Напротив, модели изображений на основе GAN обычно не являются авторегрессионными, поскольку они генерируют изображение за один проход вперед, а не поэтапно итеративно. Однако некоторые модели генерации изображений являются авторегрессионными, поскольку они генерируют изображение поэтапно.

вспомогательная потеря

Функция потерь , используемая вместе с основной функцией потерь модели нейронной сети , которая помогает ускорить обучение на ранних итерациях, когда веса инициализируются случайным образом.

Вспомогательные функции потерь перемещают эффективные градиенты на более ранние слои . Это облегчает сходимость во время обучения , решая проблему исчезновения градиента .

средняя точность

Метрика для подведения итогов производительности ранжированной последовательности результатов. Средняя точность рассчитывается путем взятия среднего значения точности для каждого релевантного результата (каждого результата в ранжированном списке, отзыв которого увеличивается по сравнению с предыдущим результатом).

См. также Площадь под кривой PR .

условие совмещения осей

В дереве решений - условие , включающее только один признак . Например, если площадь является объектом, то условием выравнивания по оси является следующее:

area > 200

Сравните с наклонным состоянием .

Б

обратное распространение ошибки

Алгоритм, реализующий градиентный спуск в нейронных сетях .

Обучение нейронной сети включает в себя множество итераций следующего двухпроходного цикла:

1. Во время прямого прохода система обрабатывает пакет примеров для получения прогнозов. Система сравнивает каждый прогноз с каждым значением метки . Разница между прогнозом и значением метки — это потеря для этого примера. Система суммирует потери для всех примеров, чтобы вычислить общие потери для текущей партии.
2. Во время обратного прохода (обратного распространения ошибки) система уменьшает потери, корректируя веса всех нейронов во всех скрытых слоях .

Нейронные сети часто содержат множество нейронов во многих скрытых слоях. Каждый из этих нейронов по-разному вносит свой вклад в общую потерю. Обратное распространение ошибки определяет, следует ли увеличивать или уменьшать веса, применяемые к конкретным нейронам.

Скорость обучения — это множитель, который контролирует степень увеличения или уменьшения каждого веса при каждом обратном проходе. Большая скорость обучения будет увеличивать или уменьшать каждый вес больше, чем низкая скорость обучения.

С точки зрения исчисления, обратное распространение ошибки реализует правило цепочки . из исчисления. То есть обратное распространение ошибки вычисляет частную производную ошибки по каждому параметру.

Несколько лет назад специалистам по машинному обучению приходилось писать код для реализации обратного распространения ошибки. Современные API машинного обучения, такие как Keras, теперь реализуют обратное распространение ошибки. Уф!

Дополнительную информацию см. в разделе «Нейронные сети в ускоренном курсе машинного обучения».

упаковка в мешки

Метод обучения ансамбля , при котором каждая составляющая модель обучается на случайном подмножестве обучающих примеров, выбранных с заменой . Например, случайный лес — это набор деревьев решений, обученных с помощью мешков.

Термин «бэггинг» является сокращением от бутстрап - агрегирования .

Дополнительную информацию см. в разделе «Случайные леса » курса «Леса решений».

мешок слов

Представление слов во фразе или отрывке независимо от порядка. Например, мешок слов одинаково представляет следующие три фразы:

• собака прыгает
• прыгает на собаку
• собака прыгает

Каждое слово сопоставляется с индексом в разреженном векторе , где вектор имеет индекс для каждого слова в словаре. Например, фраза «собака прыгает» отображается в вектор признаков с ненулевыми значениями по трем индексам, соответствующим словам « собака» и «прыжки» . Ненулевое значение может быть любым из следующих:

• 1 указывает на наличие слова.
• Подсчет количества раз, когда слово появляется в сумке. Например, если бы фраза была «бордовая собака» — это собака с бордовой шерстью , то и «бордовый» , и «собака» были бы представлены как 2, а другие слова были бы представлены как 1.
• Некоторое другое значение, например логарифм количества раз, которое слово появляется в сумке.

базовый уровень

Модель, используемая в качестве ориентира для сравнения эффективности другой модели (обычно более сложной). Например, модель логистической регрессии может служить хорошей основой для глубокой модели .

Для конкретной проблемы базовый уровень помогает разработчикам моделей количественно определить минимальную ожидаемую производительность, которой должна достичь новая модель, чтобы новая модель была полезной.

партия

Набор примеров, используемых в одной обучающей итерации . Размер партии определяет количество примеров в партии.

См. «Эпоха» для объяснения того, как партия связана с эпохой.

Дополнительную информацию см. в разделе «Линейная регрессия: гиперпараметры в ускоренном курсе машинного обучения».

пакетный вывод

Процесс вывода прогнозов на нескольких немаркированных примерах, разделенных на более мелкие подмножества («партии»).

Пакетный вывод может использовать возможности распараллеливания микросхем-ускорителей . То есть несколько ускорителей могут одновременно делать прогнозы на разных пакетах немаркированных примеров, что значительно увеличивает количество выводов в секунду.

Дополнительные сведения см. в разделе «Производственные системы ML: статический и динамический вывод» в ускоренном курсе машинного обучения.

пакетная нормализация

Нормализация ввода или вывода функций активации в скрытом слое . Пакетная нормализация может дать следующие преимущества:

• Сделайте нейронные сети более стабильными, защитив их от выбросов веса.
• Обеспечьте более высокую скорость обучения , что может ускорить обучение.
• Уменьшите переобучение .

размер партии

Количество примеров в пакете . Например, если размер пакета равен 100, модель обрабатывает 100 примеров за итерацию .

Ниже приведены популярные стратегии размера партии:

• Стохастический градиентный спуск (SGD) , в котором размер пакета равен 1.
• Полный пакет, в котором размер пакета — это количество примеров во всем обучающем наборе . Например, если обучающий набор содержит миллион примеров, то размер пакета будет составлять миллион примеров. Полная партия обычно является неэффективной стратегией.
• Мини-пакет , размер которого обычно составляет от 10 до 1000. Мини-пакет обычно является наиболее эффективной стратегией.

Для получения дополнительной информации см. следующее:

• Производственные системы ML: статический и динамический вывод в ускоренном курсе машинного обучения.
• Пособие по настройке глубокого обучения .

Байесовская нейронная сеть

Вероятностная нейронная сеть , которая учитывает неопределенность в весах и выходных данных. Стандартная модель регрессии нейронной сети обычно предсказывает скалярное значение; например, стандартная модель прогнозирует цену дома в 853 000 долларов. Напротив, байесовская нейронная сеть предсказывает распределение значений; например, байесовская модель предсказывает цену дома в размере 853 000 со стандартным отклонением 67 200.

Байесовская нейронная сеть опирается на теорему Байеса для расчета неопределенностей в весах и прогнозах. Байесовская нейронная сеть может быть полезна, когда важно количественно оценить неопределенность, например, в моделях, связанных с фармацевтическими препаратами. Байесовские нейронные сети также могут помочь предотвратить переобучение .

Байесовская оптимизация

Метод вероятностной регрессионной модели для оптимизации дорогостоящих в вычислительном отношении целевых функций путем оптимизации суррогата, который количественно определяет неопределенность с использованием метода байесовского обучения. Поскольку байесовская оптимизация сама по себе очень дорога, ее обычно используют для оптимизации дорогостоящих в оценке задач с небольшим количеством параметров, таких как выбор гиперпараметров .

уравнение Беллмана

При обучении с подкреплением оптимальная Q-функция удовлетворяет следующему тождеству:

\[Q(s, a) = r(s, a) + \gamma \mathbb{E}_{s'|s,a} \max_{a'} Q(s', a')\]

Алгоритмы обучения с подкреплением применяют эту идентичность для создания Q-обучения с помощью следующего правила обновления:

\[Q(s,a) \gets Q(s,a) + \alpha \left[r(s,a) + \gamma \displaystyle\max_{\substack{a_1}} Q(s',a') - Q(s,a) \right] \]

Помимо обучения с подкреплением, уравнение Беллмана находит применение в динамическом программировании. См . статью в Википедии об уравнении Беллмана .

BERT (представления двунаправленного кодировщика от трансформаторов)

Архитектура модели для представления текста. Обученная модель BERT может действовать как часть более крупной модели для классификации текста или других задач машинного обучения.

BERT имеет следующие характеристики:

• Использует архитектуру Transformer и поэтому полагается на самообслуживание .
• Использует кодирующую часть Transformer. Задача кодировщика — создавать хорошие текстовые представления, а не выполнять конкретную задачу, например классификацию.
• Является двунаправленным .
• Использует маскировку для обучения без присмотра .

Варианты BERT включают:

• АЛЬБЕРТ , что является аббревиатурой от СВЕТ БЕРТ .
• ЛаБСЕ .

Обзор BERT см. в разделе «Открытый исходный код BERT: современное предварительное обучение обработке естественного языка» .

предвзятость (этика/справедливость)

1. Стереотипы, предрассудки или фаворитизм в отношении одних вещей, людей или групп по сравнению с другими. Эти предубеждения могут повлиять на сбор и интерпретацию данных, дизайн системы и то, как пользователи взаимодействуют с системой. К формам этого типа предвзятости относятся:

• предвзятость автоматизации
• предвзятость подтверждения
• предвзятость экспериментатора
• предвзятость групповой атрибуции
• неявная предвзятость
• внутригрупповая предвзятость
• предвзятость в отношении однородности чужой группы

2. Систематическая ошибка, вызванная процедурой выборки или отчетности. К формам этого типа предвзятости относятся:

• смещение охвата
• предвзятость в связи с отсутствием ответов
• предвзятость участия
• предвзятость в отчетности
• смещение выборки
• предвзятость отбора

Не путать с термином «предвзятость» в моделях машинного обучения или «предвзятость прогнозирования» .

Дополнительную информацию см. в разделе «Справедливость: типы предвзятости» в ускоренном курсе машинного обучения.

предвзятость (математика) или термин предвзятости

Перехват или смещение от начала координат. Смещение — это параметр в моделях машинного обучения, который обозначается одним из следующих символов:

• б
• ш ₀

Например, смещение — это буква b в следующей формуле:

В простой двумерной линии смещение означает просто «пересечение оси Y». Например, смещение линии на следующем рисунке равно 2.

Смещение существует, потому что не все модели начинаются с начала координат (0,0). Например, предположим, что вход в парк развлечений стоит 2 евро и дополнительно 0,5 евро за каждый час пребывания клиента. Следовательно, модель, отображающая общую стоимость, имеет смещение 2, поскольку минимальная стоимость составляет 2 евро.

Предвзятость не следует путать с предвзятостью в вопросах этики и справедливости или предвзятостью прогнозирования .

Дополнительную информацию см. в разделе «Линейная регрессия в ускоренном курсе машинного обучения».

двунаправленный

Термин, используемый для описания системы, которая оценивает текст, который предшествует и следует за целевым разделом текста. Напротив, однонаправленная система оценивает только текст, который предшествует целевому разделу текста.

Например, рассмотрим модель языка в масках , которая должна определять вероятности для слова или слов, представляющих подчеркивание в следующем вопросе:

Что с тобой _____?

Однонаправленная языковая модель должна была бы основывать свои вероятности только на контексте, обеспечиваемом словами «Что», «есть» и «the». Напротив, двунаправленная языковая модель также может получить контекст от слов «с» и «вы», что может помочь модели генерировать более качественные прогнозы.

двунаправленная языковая модель

Языковая модель , определяющая вероятность присутствия данного токена в заданном месте во фрагменте текста на основе предыдущего и последующего текста.

биграмма

N-грамма, в которой N=2.

бинарная классификация

Тип задачи классификации , которая прогнозирует один из двух взаимоисключающих классов:

• позитивный класс
• отрицательный класс

Например, каждая из следующих двух моделей машинного обучения выполняет двоичную классификацию:

• Модель, определяющая, являются ли сообщения электронной почты спамом (положительный класс) или нет (негативный класс).
• Модель, которая оценивает медицинские симптомы, чтобы определить, есть ли у человека определенное заболевание (положительный класс) или нет этого заболевания (негативный класс).

Сравните с многоклассовой классификацией .

См. также логистическую регрессию и порог классификации .

Дополнительную информацию см. в разделе «Классификация в ускоренном курсе машинного обучения».

двоичное состояние

В дереве решений — условие , имеющее только два возможных результата, обычно «да» или «нет» . Например, следующее двоичное условие:

temperature >= 100

Сравните с небинарным состоянием .

Дополнительные сведения см. в разделе «Типы условий» курса «Леса решений».

группирование

Синоним квитирования .

BLEU (дублёр двуязычной оценки)

Оценка от 0,0 до 1,0 включительно, указывающая на качество перевода между двумя человеческими языками (например, между английским и русским). Оценка BLEU 1,0 указывает на идеальный перевод; оценка BLEU 0,0 указывает на ужасный перевод.

повышение

Метод машинного обучения, который итеративно объединяет набор простых и не очень точных классификаторов (называемых «слабыми» классификаторами) в классификатор с высокой точностью («сильный» классификатор) путем увеличения веса примеров, которые модель в данный момент неправильно классифицирует.

Видите деревья решений с градиентным усилением? в курсе «Леса решений» для получения дополнительной информации.

ограничивающая рамка

На изображении — координаты ( x , y ) прямоугольника вокруг интересующей области, например собаки на изображении ниже.

вещание

Расширение формы операнда в матричной математической операции до размеров , совместимых для этой операции. Например, линейная алгебра требует, чтобы два операнда в операции сложения матриц имели одинаковые размерности. Следовательно, вы не можете добавить матрицу формы (m, n) к вектору длины n. Широковещательная рассылка позволяет выполнить эту операцию, виртуально расширяя вектор длины n до матрицы формы (m, n), реплицируя одни и те же значения в каждом столбце.

Например, учитывая следующие определения, линейная алгебра запрещает A+B, поскольку A и B имеют разные размерности:

A = [[7, 10, 4],
     [13, 5, 9]]
B = [2]

Однако широковещание позволяет осуществлять операцию A+B, виртуально расширяя B до:

 [[2, 2, 2],
  [2, 2, 2]]

Таким образом, A+B теперь является допустимой операцией:

[[7, 10, 4],  +  [[2, 2, 2],  =  [[ 9, 12, 6],
 [13, 5, 9]]      [2, 2, 2]]      [15, 7, 11]]

Более подробную информацию смотрите в следующем описании трансляции в NumPy .

группирование

Преобразование одного объекта в несколько двоичных объектов, называемых сегментами или контейнерами , обычно на основе диапазона значений. Вырезанный объект обычно является непрерывным объектом .

Например, вместо того, чтобы представлять температуру в качестве единой непрерывной функции с плавающей точкой, вы можете вырезать диапазоны температур на отдельные ведра, такие как:

• <= 10 градусов Цельсия будет «холодным» ведром.
• 11 - 24 градуса Цельсия будет «умеренным» ведром.
• > = 25 градусов Цельсия будет «теплым» ведром.

Модель будет относиться к каждому значению в одном ведре одинаково. Например, значения 13 и 22 находятся в умеренном ведре, поэтому модель обрабатывает два значения одинаково.

См. Численные данные: Биннинг в курсе сбоя машинного обучения для получения дополнительной информации.

С

калибровочный слой

Регулировка после пост-предсредства, обычно для учета предвзятости прогнозирования . Скорректированные прогнозы и вероятности должны соответствовать распределению наблюдаемого набора меток.

Кандидат поколение

Первоначальный набор рекомендаций, выбранных системой рекомендаций . Например, рассмотрим книжный магазин, который предлагает 100 000 названий. Фаза поколения кандидатов создает гораздо меньший список подходящих книг для конкретного пользователя, скажем, 500. Но даже 500 книг - это слишком много, чтобы рекомендовать пользователю. Последующие, более дорогие фазы системы рекомендаций (такие как оценка и повторная оценка ) уменьшают эти 500 до гораздо меньшего, более полезного набора рекомендаций.

См. Обзор генерации кандидатов в курсе «Рекомендационные системы» для получения дополнительной информации.

Отбор проб кандидата

Оптимизация времени обучения, которая рассчитывает вероятность всех положительных метков, используя, например, Softmax , но только для случайной выборки отрицательных метков. Например, приведенный примером с надписью Beagle и Dog , выборка кандидатов вычисляет прогнозируемые вероятности и соответствующие термины потерь для:

• бигль
• собака
• Случайное подмножество оставшихся отрицательных классов (например, кошка , леденец , забор ).

Идея состоит в том, что негативные классы могут учиться на менее частых негативных подкреплениях, если положительные классы всегда получают правильное положительное подкрепление, и это действительно наблюдается эмпирически.

Отбор выборки кандидата является более эффективной вычислительностью, чем алгоритмы обучения, которые вычисляют прогнозы для всех отрицательных классов, особенно когда количество отрицательных классов очень большое.

Категориальные данные

Особенности, имеющие определенный набор возможных значений. Например, рассмотрим категорическую функцию с именем traffic-light-state , которая может иметь только одно из следующих трех возможных значений:

• red
• yellow
• green

Представляя traffic-light-state в качестве категориальной функции, модель может изучить различные воздействия red , green и yellow на поведение водителя.

Категориальные особенности иногда называют дискретными функциями .

Контраст с численными данными .

См. Работа с категориальными данными в курсе сбоя машинного обучения для получения дополнительной информации.

модель причинного языка

Синоним модели однонаправленного языка .

См. Модель двунаправленного языка , чтобы противопоставить различные направленные подходы в языковом моделировании.

центроид

Центр кластера, определяемый K-средним или K-медианским алгоритмом. Например, если k равно 3, то k-средние или k-медианы алгоритм находит 3 центра.

См. Алгоритмы кластеризации в курсе кластеризации для получения дополнительной информации.

кластеризация на основе центроида

Категория алгоритмов кластеризации , которая организует данные в негиерархические кластеры. K-Means является наиболее широко используемым алгоритмом кластеризации на основе центроида.

Контраст с иерархическими алгоритмами кластеризации .

См. Алгоритмы кластеризации в курсе кластеризации для получения дополнительной информации.

побуждение к цепочке мыслей

Быстрый техника инженерной инженерии , которая поощряет большую языковую модель (LLM) для объяснения его рассуждений, шаг за шагом. Например, рассмотрим следующее приглашение, уделяя особое внимание второму предложению:

Сколько сил G будет испытывать водитель в автомобиле, который пройдет от 0 до 60 миль в час за 7 секунд? В ответе показать все соответствующие расчеты.

Ответ LLM, вероятно, будет:

• Покажите последовательность формул физики, подключив значения 0, 60 и 7 в соответствующих местах.
• Объясните, почему он выбрал эти формулы и что означают различные переменные.

Цепочка мыслей заставляет LLM выполнять все расчеты, что может привести к более правильному ответу. Кроме того, подсказка для цепочки мыслей позволяет пользователю изучить шаги LLM, чтобы определить, имеет ли ответ смысл.

чат

Содержимое диалога на спине и въезда с системой ML, как правило, большой языковой модели . Предыдущее взаимодействие в чате (то, что вы напечатали, и как реагировала большая языковая модель) становится контекстом для последующих частей чата.

Чатбот - это приложение большой языковой модели.

контрольно-пропускной пункт

Данные, которые захватывают состояние параметров модели либо во время обучения, либо после обучения, выполняются. Например, во время обучения вы можете:

1. Прекратите обучение, возможно, намеренно или, возможно, в результате определенных ошибок.
2. Захватить контрольно -пропускной пункт.
3. Позже перезагрузите контрольную точку, возможно, на разных оборудовании.
4. Перезапустить обучение.

сорт

Категория, к которой может принадлежать этикетка . Например:

• В модели бинарной классификации , которая обнаруживает спам, два класса могут быть спамом , а не спамом .
• В многоклассной классификационной модели, которая идентифицирует породы собак, классы могут быть пудель , бигль , мопс и так далее.

Классификационная модель предсказывает класс. Напротив, регрессионная модель предсказывает число, а не класс.

См. Классификацию в курсе по сбою машинного обучения для получения дополнительной информации.

Классификационная модель

Модель , прогноз которого - класс . Например, все приведены все модели классификации:

• Модель, которая предсказывает язык введенного предложения (французский? Испанский? Итальянский?).
• Модель, которая предсказывает виды деревьев (Maple? Oak? Baobab?).
• Модель, которая предсказывает положительный или отрицательный класс для конкретного заболевания.

Напротив, регрессионные модели предсказывают числа, а не классы.

Два распространенных типа моделей классификации:

• бинарная классификация
• Многоклассовая классификация

Порог классификации

В бинарной классификации число от 0 до 1, которое преобразует необработанный выход модели логистической регрессии в прогноз либо положительного класса , либо отрицательного класса . Обратите внимание, что порог классификации - это значение, которое выбирает человек, а не значение, выбранное модельным обучением.

Модель логистической регрессии выводит необработанное значение от 0 до 1. Затем:

• Если это необработанное значение больше, чем порог классификации, то положительный класс прогнозируется.
• Если это необработанное значение меньше порога классификации, то отрицательный класс прогнозируется.

Например, предположим, что порог классификации составляет 0,8. Если необработанное значение составляет 0,9, то модель предсказывает положительный класс. Если необработанное значение составляет 0,7, то модель предсказывает отрицательный класс.

Выбор порога классификации сильно влияет на количество ложных срабатываний и ложных отрицательных .

См . Пороговые значения и матрицу путаницы в курсе сбоя машинного обучения для получения дополнительной информации.

Класс-имбалрованный набор данных

Набор данных для задачи классификации, в которой общее количество меток каждого класса значительно отличается. Например, рассмотрим бинарный набор данных классификации, две этикетки, разделенные следующим образом:

• 1 000 000 негативных ярлыков
• 10 положительных ярлыков

Соотношение от отрицательных и положительных меток составляет от 100 000 до 1, так что это набор данных с имбалансированным классом.

В отличие от этого, следующий набор данных не является имбалансным классом, поскольку отношение отрицательных меток к положительным мечениям относительно близко к 1:

• 517 отрицательных ярлыков
• 483 положительные этикетки

Многокласные наборы данных также могут быть в классе-имбалансировании. Например, следующий многоклассный набор данных классификации также является имбансом класса, потому что у одной этикетки есть гораздо больше примеров, чем у двух других:

• 1 000 000 ярлыков с классом "зеленый"
• 200 ярлыков с классом "Purple"
• 350 ярлыков с классом "Orange"

См. Также энтропия , класс большинства и класс меньшинства .

вырезка

Техника для обработки выбросов , выполнив один или оба из следующих:

• Снижение значений признаков , которые превышают максимальный порог до этого максимального порога.
• Увеличение значений функций, которые меньше минимального порога до этого минимального порога.

Например, предположим, что <0,5% значений для конкретной функции выпадают за пределы диапазона 40–60. В этом случае вы можете сделать следующее:

• Нажмите все значения более 60 (максимальный порог), чтобы быть ровно 60.
• Нажмите все значения до 40 (минимальный порог), равным ровно 40.

Выбросы могут повредить модели, иногда приводя к переполнению веса во время тренировок. Некоторые выбросы также могут резко испортить метрики, такие как точность . Обрезка является общей техникой для ограничения ущерба.

Градиент обрезка сил градиентные значения в пределах назначенного диапазона во время обучения.

См . Численные данные: нормализация курса по сбою машинного обучения для получения дополнительной информации.

Облачный TPU

Специализированный аппаратный ускоритель, предназначенный для ускорения рабочих нагрузок машинного обучения в Google Cloud.

кластеризация

Группирование связанных примеров , особенно во время неконтролируемого обучения . После того, как все примеры сгруппированы, человек может при желании предоставить значение каждому кластеру.

Существует много алгоритмов кластеризации. Например, примеры Algorithm Algorithm A-Means , основанные на их близости к центру , как на следующей диаграмме:

Затем человеческий исследователь мог рассмотреть кластеры и, например, пометить кластер 1 как «карликовые деревья» и кластер 2 как «полноразмерные деревья».

В качестве другого примера рассмотрим алгоритм кластеризации, основанный на расстоянии примера от центральной точки, показанного следующим образом:

Смотрите курс кластеризации для получения дополнительной информации.

совместная адаптация

Когда нейроны предсказывают паттерны в обучении данных, полагаясь почти исключительно на выходы конкретных других нейронов, а не полагаться на поведение сети в целом. Когда закономерности, которые вызывают коадаптацию, не присутствуют в данных проверки, то коадаптация вызывает переосмысление. Регуляризация отсева снижает коадаптацию, потому что выпадение гарантирует, что нейроны не могут полагаться исключительно на конкретные другие нейроны.

Совместная фильтрация

Сделать прогнозы о интересах одного пользователя на основе интересов многих других пользователей. Совместная фильтрация часто используется в системах рекомендаций .

См. Совместную фильтрацию в курсе «Рекомендации систем» для получения дополнительной информации.

концепция дрейфа

Сдвиг в отношениях между функциями и этикеткой. Со временем концептуальный дрейф снижает качество модели.

Во время обучения модель изучает взаимосвязь между функциями и их ярлыками в учебном наборе. Если этикетки в тренировочном наборе являются хорошими показателями для реального мира, то модель должна делать хорошие прогнозы реального мира. Однако из -за дрейфа концепции предсказания модели с течением времени имеют тенденцию деградировать.

Например, рассмотрим модель бинарной классификации , которая предсказывает, является ли определенная модель автомобиля «экономически эффективной». То есть функции могут быть:

• Вес автомобиля
• сжатие двигателя
• Тип передачи

Пока этикетка либо:

• экономичный
• не топливо

Тем не менее, концепция «экономически эффективного автомобиля» продолжает меняться. Автомобильная модель, помеченная для экономичной эффективности в 1994 году, почти наверняка будет помечена, а не экономична в 2024 году. Модель, страдающая от концепции, имеет тенденцию делать все менее и менее полезные прогнозы с течением времени.

Сравните и сопоставьте с нестационарностью .

состояние

В дереве решений любой узел , который оценивает выражение. Например, следующая часть дерева решений содержит два условия:

Условие также называется разделением или тестом.

Контрастное состояние с листом .

См. также:

• бинарное состояние
• невоичное состояние .
• Окно-выдвижение
• косое продолжение

См . Типы условий в курсе «Лесы принятия решений» для получения дополнительной информации.

конфуляция

Синоним галлюцинации .

Конфуляция, вероятно, более технически точный термин, чем галлюцинация. Тем не менее, галлюцинация стала популярной в первую очередь.

конфигурация

Процесс назначения начальных значений свойств, используемых для обучения модели, включая:

• Сочиняющие слои модели
• Расположение данных
• гиперпараметры, такие как:
  • скорость обучения
  • итерации
  • оптимизатор
  • функция потерь

В проектах машинного обучения конфигурация может быть выполнена с помощью специального файла конфигурации или с использованием библиотек конфигурации, таких как следующее:

• Hparam
• Джин
• Скрипка

предвзятость подтверждения

Тенденция искать, интерпретировать, одобрить и вспоминать информацию таким образом, чтобы подтверждает свои ранее существовавшие убеждения или гипотезы. Разработчики машинного обучения могут непреднамеренно собирать или маркировать данные способами, которые влияют на результат, подтверждающий их существующие убеждения. Связь с подтверждением является формой неявного предвзятости .

Смещение экспериментатора является формой смещения подтверждения, в которой экспериментатор продолжает тренировочные модели до тех пор, пока не будет подтверждена ранее существовавшая гипотеза.

матрица путаницы

Таблица NXN, которая суммирует количество правильных и неправильных прогнозов, которые сделала классификационная модель . Например, рассмотрим следующую матрицу путаницы для модели бинарной классификации :

Предыдущая матрица путаницы показывает следующее:

• Из 19 прогнозов, в которых основная истина была опухоли, модель правильно классифицировала 18 и неправильно классифицирована 1.
• Из 458 предсказаний, в которых основная истина не была нулевой, модель правильно классифицировала 452 и неверно классифицирована 6.

Матрица путаницы для многоклассной проблемы классификации может помочь вам определить шаблоны ошибок. Например, рассмотрим следующую матрицу путаницы для многоклассной модели классификации с 3 классами, которая классифицирует три различных типа IRIS (Virginica, Versicolor и Setosa). Когда основной правдой была Вирджика, матрица путаницы показывает, что модель была гораздо чаще ошибочно предсказать Versicolor, чем Setosa:

В качестве еще одного примера, матрица путаницы может показать, что модель, обученная распознавать рукописные цифры, имеет тенденцию ошибочно предсказывать 9 вместо 4 или ошибочно предсказывать 1 вместо 7.

Матрицы путаницы содержат достаточную информацию для расчета различных показателей производительности, включая точность и отзыв .

Расположение избирательного округа

Разделение предложения на меньшие грамматические структуры («компоненты»). Более поздняя часть системы ML, такая как модель понимания естественного языка , может проанализировать избирателей легче, чем первоначальное предложение. Например, рассмотрим следующее предложение:

Мой друг усыновил двух кошек.

Паризер избирательного округа может разделить это предложение на следующие два избирателя:

• Мой друг - существительная фраза.
• Принятые две кошки - это глагольная фраза.

Эти составляющие могут быть дополнительно разделены на более мелкие составляющие. Например, глагольная фраза

принял две кошки

может быть дополнительно подразделен на:

• Принято глагол.
• Две кошки - еще одна существительная фраза.

контекстуализированное встраивание языка

Внедрение , которое приближается к «пониманию» слов и фраз таким образом, как могут нативные человеческие носители. Контекстуализированные языковые встраивания могут понимать сложный синтаксис, семантику и контекст.

Например, рассмотрим встроения английской слова коровь . Старые встраивания, такие как Word2VEC, могут представлять английские слова, так что расстояние в пространстве встраивания от коровы до быка аналогично расстоянию от овцы (самки овец) до барана (мужской овцы) или от женского до мужчин . Контекстуализированные языковые встраивания могут пойти еще дальше, признав, что носители английского языка иногда случайно используют слово корову для обозначения коровьей или быка.

контекст окна

Количество токенов, которые модель может обрабатывать в данной подсказке . Чем больше окно контекста, тем больше информации модель может использовать для предоставления последовательных и последовательных ответов на подсказку.

непрерывная особенность

Особенность с плавающей точкой с бесконечным диапазоном возможных значений, таких как температура или вес.

Сравните с дискретной функцией .

Удобная выборка

Использование набора данных, не собранного с научной точки зрения, для проведения быстрых экспериментов. Позже, важно перейти на набор данных с научно собранным.

конвергенция

Государство достигло, когда значения потерь меняются очень мало или вообще не с каждой итерацией . Например, следующая кривая потерь предполагает конвергенцию около 700 итераций:

Модель сходится , когда дополнительное обучение не улучшит модель.

В глубоком обучении значения потерь иногда остаются постоянными или почти для многих итераций, прежде чем, наконец, спуститься. В течение длительного периода постоянных значений потерь вы можете временно получить ложное чувство сходимости.

Смотрите также раннюю остановку .

См. Модель конвергенции и кривых потерь в курсе сбоя машинного обучения для получения дополнительной информации.

выпуклая функция

Функция, в которой область над графиком функции является выпуклым набором . Прототипическая выпуктная функция сформирована что -то вроде буквы u . Например, все приведены все выпуклые функции:

Напротив, следующая функция не является выпуклой. Обратите внимание, как область над графиком не является выпуклым набором:

Строго выпуктная функция имеет ровную минимальную точку, которая также является минимальной точкой. Классические U-образные функции являются строго выпуклыми функциями. Однако некоторые выпуклые функции (например, прямые линии) не являются U-образными.

См. Конвергенцию и выпуклые функции в курсе сбоя машинного обучения для получения дополнительной информации.

Выпуклая оптимизация

Процесс использования математических методов, таких как градиентный спуск , чтобы найти минимум выпуклой функции . Большое исследование в области машинного обучения было сосредоточено на разработке различных проблем в качестве проблем с оптимизацией выпуклой и на более эффективном решении этих проблем.

Для получения полной информации см. Бойд и Ванденберге, выпуклая оптимизация .

выпуклый набор

Подмножество евклидово пространства, так что линия, проведенная между любыми двумя точками в подмножестве, остается полностью внутри подмножества. Например, следующие две формы - выпуклые наборы:

Напротив, следующие две формы не являются выпуклыми наборами:

сверток

В математике, небрежно говоря, смесь двух функций. В машинном обучении свертка смешивает сверточный фильтр и входной матрицу для обучения весам .

Термин «свертка» в машинном обучении часто является сокращенным способом обращения либо к сверточной операции, либо в сверточном слое .

Без сверлков алгоритм машинного обучения должно было бы изучить отдельный вес для каждой ячейки в большой тензоре . Например, обучение алгоритму машинного обучения на изображениях 2K x 2K будет вынуждено найти 4 -метровые отдельные веса. Благодаря сверханию, алгоритм машинного обучения должно найти веса для каждой ячейки в сверточном фильтре , что значительно уменьшило память, необходимую для обучения модели. Когда применяется сверточный фильтр, он просто воспроизводится через ячейки так, что каждый умножается на фильтр.

См. Введение сверточных нейронных сетей в курсе классификации изображений для получения дополнительной информации.

сверточный фильтр

Один из двух актеров в сверточной операции . (Другой актер представляет собой кусочек входной матрицы.) Спролюционный фильтр - это матрица, имеющая такой же ранг , что и входная матрица, но меньшая форма. Например, в результате входной матрицы 28x28 фильтр может быть любой 2D -матрицей меньше 28x28.

В фотографических манипуляциях все ячейки в сверточном фильтре обычно устанавливаются на постоянную картину одних и нулей. В машинном обучении сверточные фильтры обычно высевают случайными числами, а затем сеть обучает идеальные значения.

Смотрите свертку в курсе классификации изображений для получения дополнительной информации.

сверточный слой

Слой глубокой нейронной сети , в которой сверточный фильтр проходит по входной матрице. Например, рассмотрим следующий сверточный фильтр 3x3:

Следующая анимация показывает сверточный слой, состоящий из 9 сверточных операций, связанных с входной матрицей 5x5. Обратите внимание, что каждая сверточная операция работает на различном срезе 3x3 входной матрицы. Полученная матрица 3x3 (справа) состоит из результатов 9 сверточных операций:

См. Полностью подключенные слои в курсе классификации изображений для получения дополнительной информации.

сверточная нейронная сеть

Нейронная сеть , в которой по крайней мере один слой является сверточным слоем . Типичная сверточная нейронная сеть состоит из некоторой комбинации следующих слоев:

• сверточные слои
• Объединение слоев
• плотные слои

Свижческие нейронные сети добились больших успехов в определенных проблемах, таких как распознавание изображений.

сверточная операция

Следующая двухэтапная математическая операция:

1. Умножение элемента сверточного фильтра и ломтик входной матрицы. (Среза входной матрицы имеет тот же ранг и размер, что и сверточный фильтр.)
2. Суммирование всех значений в полученной матрице продукта.

Например, рассмотрим следующую матрицу ввода 5x5:

А теперь представьте себе следующий сверток 2x2: фильтр:

Каждая сверточная операция включает в себя один срез 2x2 входной матрицы. Например, предположим, что мы используем срез 2x2 на верхней левой части входной матрицы. Итак, операция свертки на этом среза выглядит следующим образом:

Снульный слой состоит из ряда сверточных операций, каждый из которых действует на другом срезе входной матрицы.

расходы

Синоним потери .

совместное обучение

Полупроницаемый подход к обучению особенно полезен, когда все следующие условия верны:

• Соотношение немеченых примеров к помеченным примерам в наборе данных высокое.
• Это проблема классификации ( двоичный или многоклассный ).
• Набор данных содержит два разных набора прогнозных функций, которые не зависят друг от друга и дополняют.

Совместное обучение по существу усиливает независимые сигналы в более сильный сигнал. Например, рассмотрим классификационную модель , которая классифицирует отдельные подержанные автомобили как хорошие или плохие . Один набор прогнозных функций может быть сосредоточен на совокупных характеристиках, таких как год, марки и модель автомобиля; Другой набор прогнозных функций может быть сосредоточен на записи о вождении предыдущего владельца и истории технического обслуживания автомобиля.

Основой статьи о совместном обучении объединяет помеченные и немеченые данные с помощью совместного обучения Blum и Mitchell.

Контрфактивная справедливость

Метрика справедливости , которая проверяет, дает ли классификатор тот же результат для одного человека, что и для другого человека, который идентичен первым, за исключением одного или нескольких чувствительных атрибутов . Оценка классификатора для контрфактуальной справедливости является одним из методов всплывания потенциальных источников смещения в модели.

Смотрите любое из следующего для получения дополнительной информации:

• Справедливость: контрфактуальная справедливость в крушении машинного обучения.
• Когда миры сталкиваются: интеграция различных контрфактивных предположений в справедливость

предвзятость покрытия

Смотрите смещение отбора .

авария расцветает

Предложение или фраза с неоднозначным значением. Краткие цветы представляют серьезную проблему в понимании естественного языка . Например, заголовок «Красная лента» удерживает небоскреб небоскреба - это расцвета, потому что модель NLU может интерпретировать заголовок буквально или в переносном смысле.

критик

Синоним глубокого Q-сети .

перекрестная энтропия

Обобщение потери журнала для многоклассных задач классификации . Поперечная энтропия количественно определяет разницу между двумя распределениями вероятностей. См. Также недоумение .

перекрестная проверка

Механизм для оценки того, насколько хорошо модель будет обобщать новые данные, тестируя модель на одну или несколько непересекающихся подмножеств, удерживаемых из обучающего набора .

совокупная функция распределения (CDF)

Функция, которая определяет частоту образцов менее или равной целевому значению. Например, рассмотрим нормальное распределение непрерывных значений. CDF говорит вам, что приблизительно 50% образцов должны быть меньше или равны среднему и что приблизительно 84% образцов должны быть меньше или равны одному стандартному отклонению выше среднего.

Д

анализ данных

Получение понимания данных путем рассмотрения образцов, измерений и визуализации. Анализ данных может быть особенно полезен, когда набор данных впервые получен, прежде чем он создаст первую модель . Это также имеет решающее значение в понимании экспериментов и проблем с отладкой с системой.

Увеличение данных

Искусственно увеличивая диапазон и количество примеров обучения путем преобразования существующих примеров для создания дополнительных примеров. Например, предположим, что изображения являются одной из ваших функций , но ваш набор данных не содержит достаточного количества примеров изображения для изучения полезных ассоциаций. В идеале вы добавите достаточно маркированных изображений в свой набор данных, чтобы ваша модель была должным образом тренироваться. Если это невозможно, увеличение данных может вращаться, растягиваться и отражать каждое изображение, чтобы создать множество вариантов исходной картины, возможно, давая достаточно помеченных данных, чтобы обеспечить превосходное обучение.

DataFrame

Популярный тип данных Pandas для представления наборов данных в памяти.

A DataFrame is analogous to a table or a spreadsheet. Each column of a DataFrame has a name (a header), and each row is identified by a unique number.

Each column in a DataFrame is structured like a 2D array, except that each column can be assigned its own data type.

See also the official pandas.DataFrame reference page .

data parallelism

A way of scaling training or inference that replicates an entire model onto multiple devices and then passes a subset of the input data to each device. Data parallelism can enable training and inference on very large batch sizes ; however, data parallelism requires that the model be small enough to fit on all devices.

Data parallelism typically speeds training and inference.

See also model parallelism .

data set or dataset

A collection of raw data, commonly (but not exclusively) organized in one of the following formats:

• a spreadsheet
• a file in CSV (comma-separated values) format

Dataset API (tf.data)

A high-level TensorFlow API for reading data and transforming it into a form that a machine learning algorithm requires. A tf.data.Dataset object represents a sequence of elements, in which each element contains one or more Tensors . A tf.data.Iterator object provides access to the elements of a Dataset .

decision boundary

The separator between classes learned by a model in a binary class or multi-class classification problems . For example, in the following image representing a binary classification problem, the decision boundary is the frontier between the orange class and the blue class:

decision forest

A model created from multiple decision trees . A decision forest makes a prediction by aggregating the predictions of its decision trees. Popular types of decision forests include random forests and gradient boosted trees .

See the Decision Forests section in the Decision Forests course for more information.

decision threshold

Synonym for classification threshold .

дерево решений

A supervised learning model composed of a set of conditions and leaves organized hierarchically. For example, the following is a decision tree:

декодер

In general, any ML system that converts from a processed, dense, or internal representation to a more raw, sparse, or external representation.

Decoders are often a component of a larger model, where they are frequently paired with an encoder .

In sequence-to-sequence tasks , a decoder starts with the internal state generated by the encoder to predict the next sequence.

Refer to Transformer for the definition of a decoder within the Transformer architecture.

See Large language models in Machine Learning Crash Course for more information.

deep model

A neural network containing more than one hidden layer .

A deep model is also called a deep neural network .

Contrast with wide model .

deep neural network

Synonym for deep model .

Deep Q-Network (DQN)

In Q-learning , a deep neural network that predicts Q-functions .

Critic is a synonym for Deep Q-Network.

demographic parity

A fairness metric that is satisfied if the results of a model's classification are not dependent on a given sensitive attribute .

For example, if both Lilliputians and Brobdingnagians apply to Glubbdubdrib University, demographic parity is achieved if the percentage of Lilliputians admitted is the same as the percentage of Brobdingnagians admitted, irrespective of whether one group is on average more qualified than the other.

Contrast with equalized odds and equality of opportunity , which permit classification results in aggregate to depend on sensitive attributes, but don't permit classification results for certain specified ground truth labels to depend on sensitive attributes. See "Attacking discrimination with smarter machine learning" for a visualization exploring the tradeoffs when optimizing for demographic parity.

See Fairness: demographic parity in Machine Learning Crash Course for more information.

denoising

A common approach to self-supervised learning in which:

1. Noise is artificially added to the dataset.
2. The model tries to remove the noise.

Denoising enables learning from unlabeled examples . The original dataset serves as the target or label and the noisy data as the input.

Some masked language models use denoising as follows:

1. Noise is artificially added to an unlabeled sentence by masking some of the tokens.
2. The model tries to predict the original tokens.

dense feature

A feature in which most or all values are nonzero, typically a Tensor of floating-point values. For example, the following 10-element Tensor is dense because 9 of its values are nonzero:

Contrast with sparse feature .

dense layer

Synonym for fully connected layer .

глубина

The sum of the following in a neural network :

• the number of hidden layers
• the number of output layers , which is typically 1
• the number of any embedding layers

For example, a neural network with five hidden layers and one output layer has a depth of 6.

Notice that the input layer doesn't influence depth.

depthwise separable convolutional neural network (sepCNN)

A convolutional neural network architecture based on Inception , but where Inception modules are replaced with depthwise separable convolutions. Also known as Xception.

A depthwise separable convolution (also abbreviated as separable convolution) factors a standard 3D convolution into two separate convolution operations that are more computationally efficient: first, a depthwise convolution, with a depth of 1 (n ✕ n ✕ 1), and then second, a pointwise convolution, with length and width of 1 (1 ✕ 1 ✕ n).

To learn more, see Xception: Deep Learning with Depthwise Separable Convolutions .

derived label

Synonym for proxy label .

устройство

An overloaded term with the following two possible definitions:

1. A category of hardware that can run a TensorFlow session, including CPUs, GPUs, and TPUs .
2. When training an ML model on accelerator chips (GPUs or TPUs), the part of the system that actually manipulates tensors and embeddings . The device runs on accelerator chips. In contrast, the host typically runs on a CPU.

differential privacy

In machine learning, an anonymization approach to protect any sensitive data (for example, an individual's personal information) included in a model's training set from being exposed. This approach ensures that the model doesn't learn or remember much about a specific individual. This is accomplished by sampling and adding noise during model training to obscure individual data points, mitigating the risk of exposing sensitive training data.

Differential privacy is also used outside of machine learning. For example, data scientists sometimes use differential privacy to protect individual privacy when computing product usage statistics for different demographics.

dimension reduction

Decreasing the number of dimensions used to represent a particular feature in a feature vector, typically by converting to an embedding vector .

размеры

Overloaded term having any of the following definitions:

• The number of levels of coordinates in a Tensor . Например:

  • A scalar has zero dimensions; for example, ["Hello"] .
  • A vector has one dimension; for example, [3, 5, 7, 11] .
  • A matrix has two dimensions; for example, [[2, 4, 18], [5, 7, 14]] . You can uniquely specify a particular cell in a one-dimensional vector with one coordinate; you need two coordinates to uniquely specify a particular cell in a two-dimensional matrix.

• The number of entries in a feature vector .

• The number of elements in an embedding layer .

direct prompting

Synonym for zero-shot prompting .

discrete feature

A feature with a finite set of possible values. For example, a feature whose values may only be animal , vegetable , or mineral is a discrete (or categorical) feature.

Contrast with continuous feature .

discriminative model

A model that predicts labels from a set of one or more features . More formally, discriminative models define the conditional probability of an output given the features and weights ; то есть:

p(output | features, weights)

For example, a model that predicts whether an email is spam from features and weights is a discriminative model.

The vast majority of supervised learning models, including classification and regression models, are discriminative models.

Contrast with generative model .

discriminator

A system that determines whether examples are real or fake.

Alternatively, the subsystem within a generative adversarial network that determines whether the examples created by the generator are real or fake.

See The discriminator in the GAN course for more information.

disparate impact

Making decisions about people that impact different population subgroups disproportionately. This usually refers to situations where an algorithmic decision-making process harms or benefits some subgroups more than others.

For example, suppose an algorithm that determines a Lilliputian's eligibility for a miniature-home loan is more likely to classify them as "ineligible" if their mailing address contains a certain postal code. If Big-Endian Lilliputians are more likely to have mailing addresses with this postal code than Little-Endian Lilliputians, then this algorithm may result in disparate impact.

Contrast with disparate treatment , which focuses on disparities that result when subgroup characteristics are explicit inputs to an algorithmic decision-making process.

disparate treatment

Factoring subjects' sensitive attributes into an algorithmic decision-making process such that different subgroups of people are treated differently.

For example, consider an algorithm that determines Lilliputians' eligibility for a miniature-home loan based on the data they provide in their loan application. If the algorithm uses a Lilliputian's affiliation as Big-Endian or Little-Endian as an input, it is enacting disparate treatment along that dimension.

Contrast with disparate impact , which focuses on disparities in the societal impacts of algorithmic decisions on subgroups, irrespective of whether those subgroups are inputs to the model.

дистилляция

The process of reducing the size of one model (known as the teacher ) into a smaller model (known as the student ) that emulates the original model's predictions as faithfully as possible. Distillation is useful because the smaller model has two key benefits over the larger model (the teacher):

• Faster inference time
• Reduced memory and energy usage

However, the student's predictions are typically not as good as the teacher's predictions.

Distillation trains the student model to minimize a loss function based on the difference between the outputs of the predictions of the student and teacher models.

Compare and contrast distillation with the following terms:

• тонкая настройка
• prompt-based learning

See LLMs: Fine-tuning, distillation, and prompt engineering in Machine Learning Crash Course for more information.

распределение

The frequency and range of different values for a given feature or label . A distribution captures how likely a particular value is.

The following image shows histograms of two different distributions:

• On the left, a power law distribution of wealth versus the number of people possessing that wealth.
• On the right, a normal distribution of height versus the number of people possessing that height.

Understanding each feature and label's distribution can help you determine how to normalize values and detect outliers .

The phrase out of distribution refers to a value that doesn't appear in the dataset or is very rare. For example, an image of the planet Saturn would be considered out of distribution for a dataset consisting of cat images.

divisive clustering

See hierarchical clustering .

downsampling

Overloaded term that can mean either of the following:

• Reducing the amount of information in a feature in order to train a model more efficiently. For example, before training an image recognition model, downsampling high-resolution images to a lower-resolution format.
• Training on a disproportionately low percentage of over-represented class examples in order to improve model training on under-represented classes. For example, in a class-imbalanced dataset , models tend to learn a lot about the majority class and not enough about the minority class . Downsampling helps balance the amount of training on the majority and minority classes.

See Datasets: Imbalanced datasets in Machine Learning Crash Course for more information.

DQN

Abbreviation for Deep Q-Network .

dropout regularization

A form of regularization useful in training neural networks . Dropout regularization removes a random selection of a fixed number of the units in a network layer for a single gradient step. The more units dropped out, the stronger the regularization. This is analogous to training the network to emulate an exponentially large ensemble of smaller networks. For full details, see Dropout: A Simple Way to Prevent Neural Networks from Overfitting .

динамичный

Something done frequently or continuously. The terms dynamic and online are synonyms in machine learning. The following are common uses of dynamic and online in machine learning:

• A dynamic model (or online model ) is a model that is retrained frequently or continuously.
• Dynamic training (or online training ) is the process of training frequently or continuously.
• Dynamic inference (or online inference ) is the process of generating predictions on demand.

dynamic model

A model that is frequently (maybe even continuously) retrained. A dynamic model is a "lifelong learner" that constantly adapts to evolving data. A dynamic model is also known as an online model .

Contrast with static model .

Э

eager execution

A TensorFlow programming environment in which operations run immediately. In contrast, operations called in graph execution don't run until they are explicitly evaluated. Eager execution is an imperative interface , much like the code in most programming languages. Eager execution programs are generally far easier to debug than graph execution programs.

early stopping

A method for regularization that involves ending training before training loss finishes decreasing. In early stopping, you intentionally stop training the model when the loss on a validation dataset starts to increase; that is, when generalization performance worsens.

earth mover's distance (EMD)

A measure of the relative similarity of two distributions . The lower the earth mover's distance, the more similar the distributions.

edit distance

A measurement of how similar two text strings are to each other. In machine learning, edit distance is useful because it is simple to compute, and an effective way to compare two strings that are known to be similar or to find strings that are similar to a given string.

There are several definitions of edit distance, each using different string operations. For example, the Levenshtein distance considers the fewest delete, insert, and substitute operations.

For example, the Levenshtein distance between the words "heart" and "darts" is 3 because the following 3 edits are the fewest changes to turn one word into the other:

1. heart → deart (substitute "h" with "d")
2. deart → dart (delete "e")
3. dart → darts (insert "s")

Einsum notation

An efficient notation for describing how two tensors are to be combined. The tensors are combined by multiplying the elements of one tensor by the elements of the other tensor and then summing the products. Einsum notation uses symbols to identify the axes of each tensor, and those same symbols are rearranged to specify the shape of the new resulting tensor.

NumPy provides a common Einsum implementation.

embedding layer

A special hidden layer that trains on a high-dimensional categorical feature to gradually learn a lower dimension embedding vector. An embedding layer enables a neural network to train far more efficiently than training just on the high-dimensional categorical feature.

For example, Earth currently supports about 73,000 tree species. Suppose tree species is a feature in your model, so your model's input layer includes a one-hot vector 73,000 elements long. For example, perhaps baobab would be represented something like this:

A 73,000-element array is very long. If you don't add an embedding layer to the model, training is going to be very time consuming due to multiplying 72,999 zeros. Perhaps you pick the embedding layer to consist of 12 dimensions. Consequently, the embedding layer will gradually learn a new embedding vector for each tree species.

In certain situations, hashing is a reasonable alternative to an embedding layer.

See Embeddings in Machine Learning Crash Course for more information.

embedding space

The d-dimensional vector space that features from a higher-dimensional vector space are mapped to. Ideally, the embedding space contains a structure that yields meaningful mathematical results; for example, in an ideal embedding space, addition and subtraction of embeddings can solve word analogy tasks.

The dot product of two embeddings is a measure of their similarity.

embedding vector

Broadly speaking, an array of floating-point numbers taken from any hidden layer that describe the inputs to that hidden layer. Often, an embedding vector is the array of floating-point numbers trained in an embedding layer. For example, suppose an embedding layer must learn an embedding vector for each of the 73,000 tree species on Earth. Perhaps the following array is the embedding vector for a baobab tree:

An embedding vector is not a bunch of random numbers. An embedding layer determines these values through training, similar to the way a neural network learns other weights during training. Each element of the array is a rating along some characteristic of a tree species. Which element represents which tree species' characteristic? That's very hard for humans to determine.

The mathematically remarkable part of an embedding vector is that similar items have similar sets of floating-point numbers. For example, similar tree species have a more similar set of floating-point numbers than dissimilar tree species. Redwoods and sequoias are related tree species, so they'll have a more similar set of floating-pointing numbers than redwoods and coconut palms. The numbers in the embedding vector will change each time you retrain the model, even if you retrain the model with identical input.

empirical cumulative distribution function (eCDF or EDF)

A cumulative distribution function based on empirical measurements from a real dataset. The value of the function at any point along the x-axis is the fraction of observations in the dataset that are less than or equal to the specified value.

empirical risk minimization (ERM)

Choosing the function that minimizes loss on the training set. Contrast with structural risk minimization .

кодер

In general, any ML system that converts from a raw, sparse, or external representation into a more processed, denser, or more internal representation.

Encoders are often a component of a larger model, where they are frequently paired with a decoder . Some Transformers pair encoders with decoders, though other Transformers use only the encoder or only the decoder.

Some systems use the encoder's output as the input to a classification or regression network.

In sequence-to-sequence tasks , an encoder takes an input sequence and returns an internal state (a vector). Then, the decoder uses that internal state to predict the next sequence.

Refer to Transformer for the definition of an encoder in the Transformer architecture.

See LLMs: What's a large language model in Machine Learning Crash Course for more information.

ансамбль

A collection of models trained independently whose predictions are averaged or aggregated. In many cases, an ensemble produces better predictions than a single model. For example, a random forest is an ensemble built from multiple decision trees . Note that not all decision forests are ensembles.

See Random Forest in Machine Learning Crash Course for more information.

энтропия

In information theory , a description of how unpredictable a probability distribution is. Alternatively, entropy is also defined as how much information each example contains. A distribution has the highest possible entropy when all values of a random variable are equally likely.

The entropy of a set with two possible values "0" and "1" (for example, the labels in a binary classification problem) has the following formula:

H = -p log p - q log q = -p log p - (1-p) * log (1-p)

где:

• H is the entropy.
• p is the fraction of "1" examples.
• q is the fraction of "0" examples. Note that q = (1 - p)
• log is generally log ₂ . In this case, the entropy unit is a bit.

For example, suppose the following:

• 100 examples contain the value "1"
• 300 examples contain the value "0"

Therefore, the entropy value is:

• p = 0.25
• q = 0.75
• H = (-0.25)log ₂ (0.25) - (0.75)log ₂ (0.75) = 0.81 bits per example

A set that is perfectly balanced (for example, 200 "0"s and 200 "1"s) would have an entropy of 1.0 bit per example. As a set becomes more imbalanced , its entropy moves towards 0.0.

In decision trees , entropy helps formulate information gain to help the splitter select the conditions during the growth of a classification decision tree.

Compare entropy with:

• gini impurity
• cross-entropy loss function

Entropy is often called Shannon's entropy .

See Exact splitter for binary classification with numerical features in the Decision Forests course for more information.

среда

In reinforcement learning, the world that contains the agent and allows the agent to observe that world's state . For example, the represented world can be a game like chess, or a physical world like a maze. When the agent applies an action to the environment, then the environment transitions between states.

эпизод

In reinforcement learning, each of the repeated attempts by the agent to learn an environment .

эпоха

A full training pass over the entire training set such that each example has been processed once.

An epoch represents N / batch size training iterations , where N is the total number of examples.

For instance, suppose the following:

• The dataset consists of 1,000 examples.
• The batch size is 50 examples.

Therefore, a single epoch requires 20 iterations:

1 epoch = (N/batch size) = (1,000 / 50) = 20 iterations

See Linear regression: Hyperparameters in Machine Learning Crash Course for more information.

epsilon greedy policy

In reinforcement learning, a policy that either follows a random policy with epsilon probability or a greedy policy otherwise. For example, if epsilon is 0.9, then the policy follows a random policy 90% of the time and a greedy policy 10% of the time.

Over successive episodes, the algorithm reduces epsilon's value in order to shift from following a random policy to following a greedy policy. By shifting the policy, the agent first randomly explores the environment and then greedily exploits the results of random exploration.

равенство возможностей

A fairness metric to assess whether a model is predicting the desirable outcome equally well for all values of a sensitive attribute . In other words, if the desirable outcome for a model is the positive class , the goal would be to have the true positive rate be the same for all groups.

Equality of opportunity is related to equalized odds , which requires that both the true positive rates and false positive rates are the same for all groups.

Suppose Glubbdubdrib University admits both Lilliputians and Brobdingnagians to a rigorous mathematics program. Lilliputians' secondary schools offer a robust curriculum of math classes, and the vast majority of students are qualified for the university program. Brobdingnagians' secondary schools don't offer math classes at all, and as a result, far fewer of their students are qualified. Equality of opportunity is satisfied for the preferred label of "admitted" with respect to nationality (Lilliputian or Brobdingnagian) if qualified students are equally likely to be admitted irrespective of whether they're a Lilliputian or a Brobdingnagian.

For example, suppose 100 Lilliputians and 100 Brobdingnagians apply to Glubbdubdrib University, and admissions decisions are made as follows:

Table 1. Lilliputian applicants (90% are qualified)

Table 2. Brobdingnagian applicants (10% are qualified):

The preceding examples satisfy equality of opportunity for acceptance of qualified students because qualified Lilliputians and Brobdingnagians both have a 50% chance of being admitted.

While equality of opportunity is satisfied, the following two fairness metrics are not satisfied:

• demographic parity : Lilliputians and Brobdingnagians are admitted to the university at different rates; 48% of Lilliputians students are admitted, but only 14% of Brobdingnagian students are admitted.
• equalized odds : While qualified Lilliputian and Brobdingnagian students both have the same chance of being admitted, the additional constraint that unqualified Lilliputians and Brobdingnagians both have the same chance of being rejected is not satisfied. Unqualified Lilliputians have a 70% rejection rate, whereas unqualified Brobdingnagians have a 90% rejection rate.

See Fairness: Equality of opportunity in Machine Learning Crash Course for more information.

equalized odds

A fairness metric to assess whether a model is predicting outcomes equally well for all values of a sensitive attribute with respect to both the positive class and negative class —not just one class or the other exclusively. In other words, both the true positive rate and false negative rate should be the same for all groups.

Equalized odds is related to equality of opportunity , which only focuses on error rates for a single class (positive or negative).

For example, suppose Glubbdubdrib University admits both Lilliputians and Brobdingnagians to a rigorous mathematics program. Lilliputians' secondary schools offer a robust curriculum of math classes, and the vast majority of students are qualified for the university program. Brobdingnagians' secondary schools don't offer math classes at all, and as a result, far fewer of their students are qualified. Equalized odds is satisfied provided that no matter whether an applicant is a Lilliputian or a Brobdingnagian, if they are qualified, they are equally as likely to get admitted to the program, and if they are not qualified, they are equally as likely to get rejected .

Suppose 100 Lilliputians and 100 Brobdingnagians apply to Glubbdubdrib University, and admissions decisions are made as follows:

Table 3. Lilliputian applicants (90% are qualified)

Table 4. Brobdingnagian applicants (10% are qualified):

Equalized odds is satisfied because qualified Lilliputian and Brobdingnagian students both have a 50% chance of being admitted, and unqualified Lilliputian and Brobdingnagian have an 80% chance of being rejected.

Equalized odds is formally defined in "Equality of Opportunity in Supervised Learning" as follows: "predictor Ŷ satisfies equalized odds with respect to protected attribute A and outcome Y if Ŷ and A are independent, conditional on Y."

Оценщик

A deprecated TensorFlow API. Use tf.keras instead of Estimators.

evals

Primarily used as an abbreviation for LLM evaluations . More broadly, evals is an abbreviation for any form of evaluation .

оценка

The process of measuring a model's quality or comparing different models against each other.

To evaluate a supervised machine learning model, you typically judge it against a validation set and a test set . Evaluating a LLM typically involves broader quality and safety assessments.

пример

The values of one row of features and possibly a label . Examples in supervised learning fall into two general categories:

• A labeled example consists of one or more features and a label. Labeled examples are used during training.
• An unlabeled example consists of one or more features but no label. Unlabeled examples are used during inference.

For instance, suppose you are training a model to determine the influence of weather conditions on student test scores. Here are three labeled examples:

Here are three unlabeled examples:

The row of a dataset is typically the raw source for an example. That is, an example typically consists of a subset of the columns in the dataset. Furthermore, the features in an example can also include synthetic features , such as feature crosses .

See Supervised Learning in the Introduction to Machine Learning course for more information.

experience replay

In reinforcement learning, a DQN technique used to reduce temporal correlations in training data. The agent stores state transitions in a replay buffer , and then samples transitions from the replay buffer to create training data.

experimenter's bias

See confirmation bias .

exploding gradient problem

The tendency for gradients in deep neural networks (especially recurrent neural networks ) to become surprisingly steep (high). Steep gradients often cause very large updates to the weights of each node in a deep neural network.

Models suffering from the exploding gradient problem become difficult or impossible to train. Gradient clipping can mitigate this problem.

Compare to vanishing gradient problem .

Ф

Ф ₁

A "roll-up" binary classification metric that relies on both precision and recall . Here is the formula:

For example, given the following:

• precision = 0.6
• recall = 0.4

When precision and recall are fairly similar (as in the preceding example), F ₁ is close to their mean. When precision and recall differ significantly, F ₁ is closer to the lower value. Например:

• precision = 0.9
• recall = 0.1

fairness constraint

• Post-processing your model's output.
• Altering the loss function to incorporate a penalty for violating a fairness metric .
• Directly adding a mathematical constraint to an optimization problem.

fairness metric

A mathematical definition of "fairness" that is measurable. Some commonly used fairness metrics include:

• equalized odds
• predictive parity
• counterfactual fairness
• demographic parity

Many fairness metrics are mutually exclusive; see incompatibility of fairness metrics .

false negative (FN)

An example in which the model mistakenly predicts the negative class . For example, the model predicts that a particular email message is not spam (the negative class), but that email message actually is spam .

false negative rate

The proportion of actual positive examples for which the model mistakenly predicted the negative class. The following formula calculates the false negative rate:

See Thresholds and the confusion matrix in Machine Learning Crash Course for more information.

false positive (FP)

An example in which the model mistakenly predicts the positive class . For example, the model predicts that a particular email message is spam (the positive class), but that email message is actually not spam .

See Thresholds and the confusion matrix in Machine Learning Crash Course for more information.

false positive rate (FPR)

The proportion of actual negative examples for which the model mistakenly predicted the positive class. The following formula calculates the false positive rate:

The false positive rate is the x-axis in an ROC curve .

See Classification: ROC and AUC in Machine Learning Crash Course for more information.

особенность

An input variable to a machine learning model. An example consists of one or more features. For instance, suppose you are training a model to determine the influence of weather conditions on student test scores. The following table shows three examples, each of which contains three features and one label:

Contrast with label .

See Supervised Learning in the Introduction to Machine Learning course for more information.

feature cross

A synthetic feature formed by "crossing" categorical or bucketed features.

For example, consider a "mood forecasting" model that represents temperature in one of the following four buckets:

• freezing
• chilly
• temperate
• warm

And represents wind speed in one of the following three buckets:

• still
• light
• windy

Without feature crosses, the linear model trains independently on each of the preceding seven various buckets. So, the model trains on, for example, freezing independently of the training on, for example, windy .

Alternatively, you could create a feature cross of temperature and wind speed. This synthetic feature would have the following 12 possible values:

• freezing-still
• freezing-light
• freezing-windy
• chilly-still
• chilly-light
• chilly-windy
• temperate-still
• temperate-light
• temperate-windy
• warm-still
• warm-light
• warm-windy

Thanks to feature crosses, the model can learn mood differences between a freezing-windy day and a freezing-still day.

If you create a synthetic feature from two features that each have a lot of different buckets, the resulting feature cross will have a huge number of possible combinations. For example, if one feature has 1,000 buckets and the other feature has 2,000 buckets, the resulting feature cross has 2,000,000 buckets.

Formally, a cross is a Cartesian product .

Feature crosses are mostly used with linear models and are rarely used with neural networks.

See Categorical data: Feature crosses in Machine Learning Crash Course for more information.

feature engineering

A process that involves the following steps:

1. Determining which features might be useful in training a model.
2. Converting raw data from the dataset into efficient versions of those features.

For example, you might determine that temperature might be a useful feature. Then, you might experiment with bucketing to optimize what the model can learn from different temperature ranges.

Feature engineering is sometimes called feature extraction or featurization .

See Numerical data: How a model ingests data using feature vectors in Machine Learning Crash Course for more information.

feature extraction

Overloaded term having either of the following definitions:

• Retrieving intermediate feature representations calculated by an unsupervised or pretrained model (for example, hidden layer values in a neural network ) for use in another model as input.
• Synonym for feature engineering .

feature importances

Synonym for variable importances .

feature set

The group of features your machine learning model trains on. For example, postal code, property size, and property condition might comprise a simple feature set for a model that predicts housing prices.

feature spec

Describes the information required to extract features data from the tf.Example protocol buffer. Because the tf.Example protocol buffer is just a container for data, you must specify the following:

• The data to extract (that is, the keys for the features)
• The data type (for example, float or int)
• The length (fixed or variable)

feature vector

The array of feature values comprising an example . The feature vector is input during training and during inference . For example, the feature vector for a model with two discrete features might be:

[0.92, 0.56]

Each example supplies different values for the feature vector, so the feature vector for the next example could be something like:

[0.73, 0.49]

Feature engineering determines how to represent features in the feature vector. For example, a binary categorical feature with five possible values might be represented with one-hot encoding . In this case, the portion of the feature vector for a particular example would consist of four zeroes and a single 1.0 in the third position, as follows:

[0.0, 0.0, 1.0, 0.0, 0.0]

As another example, suppose your model consists of three features:

• a binary categorical feature with five possible values represented with one-hot encoding; for example: [0.0, 1.0, 0.0, 0.0, 0.0]
• another binary categorical feature with three possible values represented with one-hot encoding; for example: [0.0, 0.0, 1.0]
• a floating-point feature; for example: 8.3 .

In this case, the feature vector for each example would be represented by nine values. Given the example values in the preceding list, the feature vector would be:

0.0
1.0
0.0
0.0
0.0
0.0
0.0
1.0
8.3

See Numerical data: How a model ingests data using feature vectors in Machine Learning Crash Course for more information.

featurization

The process of extracting features from an input source, such as a document or video, and mapping those features into a feature vector .

Some ML experts use featurization as a synonym for feature engineering or feature extraction .

федеративное обучение

A distributed machine learning approach that trains machine learning models using decentralized examples residing on devices such as smartphones. In federated learning, a subset of devices downloads the current model from a central coordinating server. The devices use the examples stored on the devices to make improvements to the model. The devices then upload the model improvements (but not the training examples) to the coordinating server, where they are aggregated with other updates to yield an improved global model. After the aggregation, the model updates computed by devices are no longer needed, and can be discarded.

Since the training examples are never uploaded, federated learning follows the privacy principles of focused data collection and data minimization.

For more information about federated learning, see this tutorial .

петля обратной связи

In machine learning, a situation in which a model's predictions influence the training data for the same model or another model. For example, a model that recommends movies will influence the movies that people see, which will then influence subsequent movie recommendation models.

See Production ML systems: Questions to ask in Machine Learning Crash Course for more information.

feedforward neural network (FFN)

A neural network without cyclic or recursive connections. For example, traditional deep neural networks are feedforward neural networks. Contrast with recurrent neural networks , which are cyclic.

few-shot learning

A machine learning approach, often used for object classification, designed to train effective classifiers from only a small number of training examples.

See also one-shot learning and zero-shot learning .

few-shot prompting

A prompt that contains more than one (a "few") example demonstrating how the large language model should respond. For example, the following lengthy prompt contains two examples showing a large language model how to answer a query.

Few-shot prompting generally produces more desirable results than zero-shot prompting and one-shot prompting . However, few-shot prompting requires a lengthier prompt.

Few-shot prompting is a form of few-shot learning applied to prompt-based learning .

See Prompt engineering in Machine Learning Crash Course for more information.

Скрипка

A Python-first configuration library that sets the values of functions and classes without invasive code or infrastructure. In the case of Pax —and other ML codebases—these functions and classes represent models and training hyperparameters .

Fiddle assumes that machine learning codebases are typically divided into:

• Library code, which defines the layers and optimizers.
• Dataset "glue" code, which calls the libraries and wires everything together.

Fiddle captures the call structure of the glue code in an unevaluated and mutable form.

тонкая настройка

A second, task-specific training pass performed on a pre-trained model to refine its parameters for a specific use case. For example, the full training sequence for some large language models is as follows:

1. Pre-training: Train a large language model on a vast general dataset, such as all the English language Wikipedia pages.
2. Fine-tuning: Train the pre-trained model to perform a specific task, such as responding to medical queries. Fine-tuning typically involves hundreds or thousands of examples focused on the specific task.

As another example, the full training sequence for a large image model is as follows:

1. Pre-training: Train a large image model on a vast general image dataset, such as all the images in Wikimedia commons.
2. Fine-tuning: Train the pre-trained model to perform a specific task, such as generating images of orcas.

Fine-tuning can entail any combination of the following strategies:

• Modifying all of the pre-trained model's existing parameters . This is sometimes called full fine-tuning .
• Modifying only some of the pre-trained model's existing parameters (typically, the layers closest to the output layer ), while keeping other existing parameters unchanged (typically, the layers closest to the input layer ). See parameter-efficient tuning .
• Adding more layers, typically on top of the existing layers closest to the output layer.

Fine-tuning is a form of transfer learning . As such, fine-tuning might use a different loss function or a different model type than those used to train the pre-trained model. For example, you could fine-tune a pre-trained large image model to produce a regression model that returns the number of birds in an input image.

Compare and contrast fine-tuning with the following terms:

• дистилляция
• prompt-based learning

See Fine-tuning in Machine Learning Crash Course for more information.

Flax

A high-performance open-source library for deep learning built on top of JAX . Flax provides functions for training neural networks , as well as methods for evaluating their performance.

Flaxformer

An open-source Transformer library , built on Flax , designed primarily for natural language processing and multimodal research.

forget gate

The portion of a Long Short-Term Memory cell that regulates the flow of information through the cell. Forget gates maintain context by deciding which information to discard from the cell state.

full softmax

Synonym for softmax .

Contrast with candidate sampling .

See Neural networks: Multi-class classification in Machine Learning Crash Course for more information.

fully connected layer

A hidden layer in which each node is connected to every node in the subsequent hidden layer.

A fully connected layer is also known as a dense layer .

function transformation

A function that takes a function as input and returns a transformed function as output. JAX uses function transformations.

Г

GAN

Abbreviation for generative adversarial network .

обобщение

A model's ability to make correct predictions on new, previously unseen data. A model that can generalize is the opposite of a model that is overfitting .

See Generalization in Machine Learning Crash Course for more information.

Близнецы

The ecosystem comprising Google's most advanced AI. Elements of this ecosystem include:

• Various Gemini models .
• The interactive conversational interface to a Gemini model . Users type prompts and Gemini responds to those prompts.
• Various Gemini APIs.
• Various business products based on Gemini models; for example, Gemini for Google Cloud .

Gemini models

Google's state-of-the-art Transformer -based multimodal models . Gemini models are specifically designed to integrate with agents .

Users can interact with Gemini models in a variety of ways, including through an interactive dialog interface and through SDKs.

generalization curve

A plot of both training loss and validation loss as a function of the number of iterations .

A generalization curve can help you detect possible overfitting . For example, the following generalization curve suggests overfitting because validation loss ultimately becomes significantly higher than training loss.

See Generalization in Machine Learning Crash Course for more information.

generalized linear model

A generalization of least squares regression models, which are based on Gaussian noise , to other types of models based on other types of noise, such as Poisson noise or categorical noise. Examples of generalized linear models include:

• логистическая регрессия
• multi-class regression
• least squares regression

The parameters of a generalized linear model can be found through convex optimization .

Generalized linear models exhibit the following properties:

• The average prediction of the optimal least squares regression model is equal to the average label on the training data.
• The average probability predicted by the optimal logistic regression model is equal to the average label on the training data.

The power of a generalized linear model is limited by its features. Unlike a deep model, a generalized linear model cannot "learn new features."

generative adversarial network (GAN)

A system to create new data in which a generator creates data and a discriminator determines whether that created data is valid or invalid.

See the Generative Adversarial Networks course for more information.

generative AI

An emerging transformative field with no formal definition. That said, most experts agree that generative AI models can create ("generate") content that is all of the following:

• сложный
• последовательный
• оригинальный

For example, a generative AI model can create sophisticated essays or images.

Some earlier technologies, including LSTMs and RNNs , can also generate original and coherent content. Some experts view these earlier technologies as generative AI, while others feel that true generative AI requires more complex output than those earlier technologies can produce.

Contrast with predictive ML .

generative model

Practically speaking, a model that does either of the following:

• Creates (generates) new examples from the training dataset. For example, a generative model could create poetry after training on a dataset of poems. The generator part of a generative adversarial network falls into this category.
• Determines the probability that a new example comes from the training set, or was created from the same mechanism that created the training set. For example, after training on a dataset consisting of English sentences, a generative model could determine the probability that new input is a valid English sentence.

A generative model can theoretically discern the distribution of examples or particular features in a dataset. То есть:

p(examples)

Unsupervised learning models are generative.

Contrast with discriminative models .

генератор

The subsystem within a generative adversarial network that creates new examples .

Contrast with discriminative model .

gini impurity

A metric similar to entropy . Splitters use values derived from either gini impurity or entropy to compose conditions for classification decision trees . Information gain is derived from entropy. There is no universally accepted equivalent term for the metric derived from gini impurity; however, this unnamed metric is just as important as information gain.

Gini impurity is also called gini index , or simply gini .

golden dataset

A set of manually curated data that captures ground truth . Teams can use one or more golden datasets to evaluate a model's quality.

Some golden datasets capture different subdomains of ground truth. For example, a golden dataset for image classification might capture lighting conditions and image resolution.

GPT (Generative Pre-trained Transformer)

A family of Transformer -based large language models developed by OpenAI .

GPT variants can apply to multiple modalities , including:

• image generation (for example, ImageGPT)
• text-to-image generation (for example, DALL-E ).

градиент

The vector of partial derivatives with respect to all of the independent variables. In machine learning, the gradient is the vector of partial derivatives of the model function. The gradient points in the direction of steepest ascent.

gradient accumulation

A backpropagation technique that updates the parameters only once per epoch rather than once per iteration. After processing each mini-batch , gradient accumulation simply updates a running total of gradients. Then, after processing the last mini-batch in the epoch, the system finally updates the parameters based on the total of all gradient changes.

Gradient accumulation is useful when the batch size is very large compared to the amount of available memory for training. When memory is an issue, the natural tendency is to reduce batch size. However, reducing the batch size in normal backpropagation increases the number of parameter updates. Gradient accumulation enables the model to avoid memory issues but still train efficiently.

gradient boosted (decision) trees (GBT)

A type of decision forest in which:

• Training relies on gradient boosting .
• The weak model is a decision tree .

See Gradient Boosted Decision Trees in the Decision Forests course for more information.

повышение градиента

A training algorithm where weak models are trained to iteratively improve the quality (reduce the loss) of a strong model. For example, a weak model could be a linear or small decision tree model. The strong model becomes the sum of all the previously trained weak models.

In the simplest form of gradient boosting, at each iteration, a weak model is trained to predict the loss gradient of the strong model. Then, the strong model's output is updated by subtracting the predicted gradient, similar to gradient descent .

где:

• $F_{0}$ is the starting strong model.
• $F_{i+1}$ is the next strong model.
• $F_{i}$ is the current strong model.
• $\xi$ is a value between 0.0 and 1.0 called shrinkage , which is analogous to the learning rate in gradient descent.
• $f_{i}$ is the weak model trained to predict the loss gradient of $F_{i}$.

Modern variations of gradient boosting also include the second derivative (Hessian) of the loss in their computation.

Decision trees are commonly used as weak models in gradient boosting. See gradient boosted (decision) trees .

gradient clipping

A commonly used mechanism to mitigate the exploding gradient problem by artificially limiting (clipping) the maximum value of gradients when using gradient descent to train a model.

градиентный спуск

A mathematical technique to minimize loss . Gradient descent iteratively adjusts weights and biases , gradually finding the best combination to minimize loss.

Gradient descent is older—much, much older—than machine learning.

See the Linear regression: Gradient descent in Machine Learning Crash Course for more information.

график

In TensorFlow, a computation specification. Nodes in the graph represent operations. Edges are directed and represent passing the result of an operation (a Tensor ) as an operand to another operation. Use TensorBoard to visualize a graph.

graph execution

A TensorFlow programming environment in which the program first constructs a graph and then executes all or part of that graph. Graph execution is the default execution mode in TensorFlow 1.x.

Contrast with eager execution .

greedy policy

In reinforcement learning, a policy that always chooses the action with the highest expected return .

ground truth

Реальность.

The thing that actually happened.

For example, consider a binary classification model that predicts whether a student in their first year of university will graduate within six years. Ground truth for this model is whether or not that student actually graduated within six years.

group attribution bias

Assuming that what is true for an individual is also true for everyone in that group. The effects of group attribution bias can be exacerbated if a convenience sampling is used for data collection. In a non-representative sample, attributions may be made that don't reflect reality.

See also out-group homogeneity bias and in-group bias . Also, see Fairness: Types of bias in Machine Learning Crash Course for more information.

ЧАС

галлюцинация

The production of plausible-seeming but factually incorrect output by a generative AI model that purports to be making an assertion about the real world. For example, a generative AI model that claims that Barack Obama died in 1865 is hallucinating .

hashing

In machine learning, a mechanism for bucketing categorical data , particularly when the number of categories is large, but the number of categories actually appearing in the dataset is comparatively small.

For example, Earth is home to about 73,000 tree species. You could represent each of the 73,000 tree species in 73,000 separate categorical buckets. Alternatively, if only 200 of those tree species actually appear in a dataset, you could use hashing to divide tree species into perhaps 500 buckets.

A single bucket could contain multiple tree species. For example, hashing could place baobab and red maple —two genetically dissimilar species—into the same bucket. Regardless, hashing is still a good way to map large categorical sets into the selected number of buckets. Hashing turns a categorical feature having a large number of possible values into a much smaller number of values by grouping values in a deterministic way.

See Categorical data: Vocabulary and one-hot encoding in Machine Learning Crash Course for more information.

эвристика

A simple and quickly implemented solution to a problem. For example, "With a heuristic, we achieved 86% accuracy. When we switched to a deep neural network, accuracy went up to 98%."

hidden layer

A layer in a neural network between the input layer (the features) and the output layer (the prediction). Each hidden layer consists of one or more neurons . For example, the following neural network contains two hidden layers, the first with three neurons and the second with two neurons:

A deep neural network contains more than one hidden layer. For example, the preceding illustration is a deep neural network because the model contains two hidden layers.

See Neural networks: Nodes and hidden layers in Machine Learning Crash Course for more information.

hierarchical clustering

A category of clustering algorithms that create a tree of clusters. Hierarchical clustering is well-suited to hierarchical data, such as botanical taxonomies. There are two types of hierarchical clustering algorithms:

• Agglomerative clustering first assigns every example to its own cluster, and iteratively merges the closest clusters to create a hierarchical tree.
• Divisive clustering first groups all examples into one cluster and then iteratively divides the cluster into a hierarchical tree.

Contrast with centroid-based clustering .

See Clustering algorithms in the Clustering course for more information.

hinge loss

A family of loss functions for classification designed to find the decision boundary as distant as possible from each training example, thus maximizing the margin between examples and the boundary. KSVMs use hinge loss (or a related function, such as squared hinge loss). For binary classification, the hinge loss function is defined as follows:

where y is the true label, either -1 or +1, and y' is the raw output of the classifier model:

Consequently, a plot of hinge loss versus (y * y') looks as follows:

historical bias

A type of bias that already exists in the world and has made its way into a dataset. These biases have a tendency to reflect existing cultural stereotypes, demographic inequalities, and prejudices against certain social groups.

For example, consider a classification model that predicts whether or not a loan applicant will default on their loan, which was trained on historical loan-default data from the 1980s from local banks in two different communities. If past applicants from Community A were six times more likely to default on their loans than applicants from Community B, the model might learn a historical bias resulting in the model being less likely to approve loans in Community A, even if the historical conditions that resulted in that community's higher default rates were no longer relevant.

See Fairness: Types of bias in Machine Learning Crash Course for more information.

holdout data

Examples intentionally not used ("held out") during training. The validation dataset and test dataset are examples of holdout data. Holdout data helps evaluate your model's ability to generalize to data other than the data it was trained on. The loss on the holdout set provides a better estimate of the loss on an unseen dataset than does the loss on the training set.

хозяин

When training an ML model on accelerator chips (GPUs or TPUs ), the part of the system that controls both of the following:

• The overall flow of the code.
• The extraction and transformation of the input pipeline.

The host typically runs on a CPU, not on an accelerator chip; the device manipulates tensors on the accelerator chips.

hyperparameter

The variables that you or a hyperparameter tuning serviceadjust during successive runs of training a model. For example, learning rate is a hyperparameter. You could set the learning rate to 0.01 before one training session. If you determine that 0.01 is too high, you could perhaps set the learning rate to 0.003 for the next training session.

In contrast, parameters are the various weights and bias that the model learns during training.

See Linear regression: Hyperparameters in Machine Learning Crash Course for more information.

hyperplane

A boundary that separates a space into two subspaces. For example, a line is a hyperplane in two dimensions and a plane is a hyperplane in three dimensions. More typically in machine learning, a hyperplane is the boundary separating a high-dimensional space. Kernel Support Vector Machines use hyperplanes to separate positive classes from negative classes, often in a very high-dimensional space.

я

iid

Abbreviation for independently and identically distributed .

image recognition

A process that classifies object(s), pattern(s), or concept(s) in an image. Image recognition is also known as image classification .

For more information, see ML Practicum: Image Classification .

See the ML Practicum: Image Classification course for more information.

imbalanced dataset

Synonym for class-imbalanced dataset .

implicit bias

Automatically making an association or assumption based on one's mind models and memories. Implicit bias can affect the following:

• How data is collected and classified.
• How machine learning systems are designed and developed.

For example, when building a classifier to identify wedding photos, an engineer may use the presence of a white dress in a photo as a feature. However, white dresses have been customary only during certain eras and in certain cultures.

See also confirmation bias .

imputation

Short form of value imputation .

incompatibility of fairness metrics

The idea that some notions of fairness are mutually incompatible and cannot be satisfied simultaneously. As a result, there is no single universal metric for quantifying fairness that can be applied to all ML problems.

While this may seem discouraging, incompatibility of fairness metrics doesn't imply that fairness efforts are fruitless. Instead, it suggests that fairness must be defined contextually for a given ML problem, with the goal of preventing harms specific to its use cases.

See "On the (im)possibility of fairness" for a more detailed discussion of this topic.

in-context learning

Synonym for few-shot prompting .

independently and identically distributed (iid)

Data drawn from a distribution that doesn't change, and where each value drawn doesn't depend on values that have been drawn previously. An iid is the ideal gas of machine learning—a useful mathematical construct but almost never exactly found in the real world. For example, the distribution of visitors to a web page may be iid over a brief window of time; that is, the distribution doesn't change during that brief window and one person's visit is generally independent of another's visit. However, if you expand that window of time, seasonal differences in the web page's visitors may appear.

See also nonstationarity .

individual fairness

A fairness metric that checks whether similar individuals are classified similarly. For example, Brobdingnagian Academy might want to satisfy individual fairness by ensuring that two students with identical grades and standardized test scores are equally likely to gain admission.

Note that individual fairness relies entirely on how you define "similarity" (in this case, grades and test scores), and you can run the risk of introducing new fairness problems if your similarity metric misses important information (such as the rigor of a student's учебный план).

See "Fairness Through Awareness" for a more detailed discussion of individual fairness.

вывод

In machine learning, the process of making predictions by applying a trained model to unlabeled examples .

Inference has a somewhat different meaning in statistics. See the Wikipedia article on statistical inference for details.

See Supervised Learning in the Intro to ML course to see inference's role in a supervised learning system.

inference path

In a decision tree , during inference , the route a particular example takes from the root to other conditions , terminating with a leaf . For example, in the following decision tree, the thicker arrows show the inference path for an example with the following feature values:

• x = 7
• y = 12
• z = -3

The inference path in the following illustration travels through three conditions before reaching the leaf ( Zeta ).

The three thick arrows show the inference path.

See Decision trees in the Decision Forests course for more information.

information gain

In decision forests , the difference between a node's entropy and the weighted (by number of examples) sum of the entropy of its children nodes. A node's entropy is the entropy of the examples in that node.

For example, consider the following entropy values:

• entropy of parent node = 0.6
• entropy of one child node with 16 relevant examples = 0.2
• entropy of another child node with 24 relevant examples = 0.1

So 40% of the examples are in one child node and 60% are in the other child node. Поэтому:

• weighted entropy sum of child nodes = (0.4 * 0.2) + (0.6 * 0.1) = 0.14

So, the information gain is:

• information gain = entropy of parent node - weighted entropy sum of child nodes
• information gain = 0.6 - 0.14 = 0.46

Most splitters seek to create conditions that maximize information gain.

in-group bias

Showing partiality to one's own group or own characteristics. If testers or raters consist of the machine learning developer's friends, family, or colleagues, then in-group bias may invalidate product testing or the dataset.

In-group bias is a form of group attribution bias . See also out-group homogeneity bias .

See Fairness: Types of bias in Machine Learning Crash Course for more information.

input generator

A mechanism by which data is loaded into a neural network .

An input generator can be thought of as a component responsible for processing raw data into tensors which are iterated over to generate batches for training, evaluation, and inference.

input layer

The layer of a neural network that holds the feature vector . That is, the input layer provides examples for training or inference . For example, the input layer in the following neural network consists of two features:

in-set condition

In a decision tree , a condition that tests for the presence of one item in a set of items. For example, the following is an in-set condition:

  house-style in [tudor, colonial, cape]

During inference, if the value of the house-style feature is tudor or colonial or cape , then this condition evaluates to Yes. If the value of the house-style feature is something else (for example, ranch ), then this condition evaluates to No.

In-set conditions usually lead to more efficient decision trees than conditions that test one-hot encoded features.

пример

Synonym for example .

instruction tuning

A form of fine-tuning that improves a generative AI model's ability to follow instructions. Instruction tuning involves training a model on a series of instruction prompts, typically covering a wide variety of tasks. The resulting instruction-tuned model then tends to generate useful responses to zero-shot prompts across a variety of tasks.

Compare and contrast with:

• parameter-efficient tuning
• prompt tuning

interpretability

The ability to explain or to present an ML model's reasoning in understandable terms to a human.

Most linear regression models, for example, are highly interpretable. (You merely need to look at the trained weights for each feature.) Decision forests are also highly interpretable. Some models, however, require sophisticated visualization to become interpretable.

You can use the Learning Interpretability Tool (LIT) to interpret ML models.

inter-rater agreement

A measurement of how often human raters agree when doing a task. If raters disagree, the task instructions may need to be improved. Also sometimes called inter-annotator agreement or inter-rater reliability . See also Cohen's kappa , which is one of the most popular inter-rater agreement measurements.

See Categorical data: Common issues in Machine Learning Crash Course for more information.

intersection over union (IoU)

The intersection of two sets divided by their union. In machine-learning image-detection tasks, IoU is used to measure the accuracy of the model's predicted bounding box with respect to the ground-truth bounding box. In this case, the IoU for the two boxes is the ratio between the overlapping area and the total area, and its value ranges from 0 (no overlap of predicted bounding box and ground-truth bounding box) to 1 (predicted bounding box and ground-truth bounding box have the exact same coordinates).

For example, in the image below:

• The predicted bounding box (the coordinates delimiting where the model predicts the night table in the painting is located) is outlined in purple.
• The ground-truth bounding box (the coordinates delimiting where the night table in the painting is actually located) is outlined in green.

Here, the intersection of the bounding boxes for prediction and ground truth (below left) is 1, and the union of the bounding boxes for prediction and ground truth (below right) is 7, so the IoU is \(\frac{1}{7}\).

IoU

Abbreviation for intersection over union .

item matrix

In recommendation systems , a matrix of embedding vectors generated by matrix factorization that holds latent signals about each item . Each row of the item matrix holds the value of a single latent feature for all items. For example, consider a movie recommendation system. Each column in the item matrix represents a single movie. The latent signals might represent genres, or might be harder-to-interpret signals that involve complex interactions among genre, stars, movie age, or other factors.

The item matrix has the same number of columns as the target matrix that is being factorized. For example, given a movie recommendation system that evaluates 10,000 movie titles, the item matrix will have 10,000 columns.

предметы

In a recommendation system , the entities that a system recommends. For example, videos are the items that a video store recommends, while books are the items that a bookstore recommends.

итерация

A single update of a model's parameters—the model's weights and biases —during training . The batch size determines how many examples the model processes in a single iteration. For instance, if the batch size is 20, then the model processes 20 examples before adjusting the parameters.

When training a neural network , a single iteration involves the following two passes:

1. A forward pass to evaluate loss on a single batch.
2. A backward pass ( backpropagation ) to adjust the model's parameters based on the loss and the learning rate.

Дж

ДЖАКС

An array computing library, bringing together XLA (Accelerated Linear Algebra) and automatic differentiation for high-performance numerical computing. JAX provides a simple and powerful API for writing accelerated numerical code with composable transformations. JAX provides features such as:

• grad (automatic differentiation)
• jit (just-in-time compilation)
• vmap (automatic vectorization or batching)
• pmap (parallelization)

JAX is a language for expressing and composing transformations of numerical code, analogous—but much larger in scope—to Python's NumPy library. (In fact, the .numpy library under JAX is a functionally equivalent, but entirely rewritten version of the Python NumPy library.)

JAX is particularly well-suited for speeding up many machine learning tasks by transforming the models and data into a form suitable for parallelism across GPU and TPU accelerator chips .

Flax , Optax , Pax , and many other libraries are built on the JAX infrastructure.

К

Keras

A popular Python machine learning API. Keras runs on several deep learning frameworks, including TensorFlow, where it is made available as tf.keras .

Kernel Support Vector Machines (KSVMs)

A classification algorithm that seeks to maximize the margin between positive and negative classes by mapping input data vectors to a higher dimensional space. For example, consider a classification problem in which the input dataset has a hundred features. To maximize the margin between positive and negative classes, a KSVM could internally map those features into a million-dimension space. KSVMs uses a loss function called hinge loss .

keypoints

The coordinates of particular features in an image. For example, for an image recognition model that distinguishes flower species, keypoints might be the center of each petal, the stem, the stamen, and so on.

k-fold cross validation

An algorithm for predicting a model's ability to generalize to new data. The k in k-fold refers to the number of equal groups you divide a dataset's examples into; that is, you train and test your model k times. For each round of training and testing, a different group is the test set, and all remaining groups become the training set. After k rounds of training and testing, you calculate the mean and standard deviation of the chosen test metric(s).

For example, suppose your dataset consists of 120 examples. Further suppose, you decide to set k to 4. Therefore, after shuffling the examples, you divide the dataset into four equal groups of 30 examples and conduct four training and testing rounds:

For example, Mean Squared Error (MSE) might be the most meaningful metric for a linear regression model. Therefore, you would find the mean and standard deviation of the MSE across all four rounds.

k-means

A popular clustering algorithm that groups examples in unsupervised learning. The k-means algorithm basically does the following:

• Iteratively determines the best k center points (known as centroids ).
• Assigns each example to the closest centroid. Those examples nearest the same centroid belong to the same group.

The k-means algorithm picks centroid locations to minimize the cumulative square of the distances from each example to its closest centroid.

For example, consider the following plot of dog height to dog width:

If k=3, the k-means algorithm will determine three centroids. Each example is assigned to its closest centroid, yielding three groups:

Imagine that a manufacturer wants to determine the ideal sizes for small, medium, and large sweaters for dogs. The three centroids identify the mean height and mean width of each dog in that cluster. So, the manufacturer should probably base sweater sizes on those three centroids. Note that the centroid of a cluster is typically not an example in the cluster.

The preceding illustrations shows k-means for examples with only two features (height and width). Note that k-means can group examples across many features.

k-median

A clustering algorithm closely related to k-means . The practical difference between the two is as follows:

• In k-means, centroids are determined by minimizing the sum of the squares of the distance between a centroid candidate and each of its examples.
• In k-median, centroids are determined by minimizing the sum of the distance between a centroid candidate and each of its examples.

Note that the definitions of distance are also different:

• k-means relies on the Euclidean distance from the centroid to an example. (In two dimensions, the Euclidean distance means using the Pythagorean theorem to calculate the hypotenuse.) For example, the k-means distance between (2,2) and (5,-2) would be:

• k-median relies on the Manhattan distance from the centroid to an example. This distance is the sum of the absolute deltas in each dimension. For example, the k-median distance between (2,2) and (5,-2) would be:

л

L ₀ regularization

A type of regularization that penalizes the total number of nonzero weights in a model. For example, a model having 11 nonzero weights would be penalized more than a similar model having 10 nonzero weights.

L ₀ regularization is sometimes called L0-norm regularization .

L ₁ loss

A loss function that calculates the absolute value of the difference between actual label values and the values that a model predicts. For example, here's the calculation of L ₁ loss for a batch of five examples :

L ₁ loss is less sensitive to outliers than L ₂ loss .

The Mean Absolute Error is the average L ₁ loss per example.

L ₁ regularization

A type of regularization that penalizes weights in proportion to the sum of the absolute value of the weights. L ₁ regularization helps drive the weights of irrelevant or barely relevant features to exactly 0 . A feature with a weight of 0 is effectively removed from the model.

Contrast with L ₂ regularization .

L ₂ loss

A loss function that calculates the square of the difference between actual label values and the values that a model predicts. For example, here's the calculation of L ₂ loss for a batch of five examples :

Due to squaring, L ₂ loss amplifies the influence of outliers . That is, L ₂ loss reacts more strongly to bad predictions than L ₁ loss . For example, the L ₁ loss for the preceding batch would be 8 rather than 16. Notice that a single outlier accounts for 9 of the 16.

Regression models typically use L ₂ loss as the loss function.

The Mean Squared Error is the average L ₂ loss per example. Squared loss is another name for L ₂ loss.

L ₂ regularization

A type of regularization that penalizes weights in proportion to the sum of the squares of the weights. L ₂ regularization helps drive outlier weights (those with high positive or low negative values) closer to 0 but not quite to 0 . Features with values very close to 0 remain in the model but don't influence the model's prediction very much.

L ₂ regularization always improves generalization in linear models .

Contrast with L ₁ regularization .

этикетка

In supervised machine learning , the "answer" or "result" portion of an example .

Each labeled example consists of one or more features and a label. For example, in a spam detection dataset, the label would probably be either "spam" or "not spam." In a rainfall dataset, the label might be the amount of rain that fell during a certain period.

labeled example

An example that contains one or more features and a label . For example, the following table shows three labeled examples from a house valuation model, each with three features and one label:

In supervised machine learning , models train on labeled examples and make predictions on unlabeled examples .

Contrast labeled example with unlabeled examples.

label leakage

A model design flaw in which a feature is a proxy for the label . For example, consider a binary classification model that predicts whether or not a prospective customer will purchase a particular product. Suppose that one of the features for the model is a Boolean named SpokeToCustomerAgent . Further suppose that a customer agent is only assigned after the prospective customer has actually purchased the product. During training, the model will quickly learn the association between SpokeToCustomerAgent and the label.

лямбда

Synonym for regularization rate .

Lambda is an overloaded term. Here we're focusing on the term's definition within regularization .

LaMDA (Language Model for Dialogue Applications)

A Transformer -based large language model developed by Google trained on a large dialogue dataset that can generate realistic conversational responses.

LaMDA: our breakthrough conversation technology provides an overview.

достопримечательности

Synonym for keypoints .

language model

A model that estimates the probability of a token or sequence of tokens occurring in a longer sequence of tokens.

large language model

At a minimum, a language model having a very high number of parameters . More informally, any Transformer -based language model, such as Gemini or GPT .

latent space

Synonym for embedding space .

слой

A set of neurons in a neural network . Three common types of layers are as follows:

• The input layer , which provides values for all the features .
• One or more hidden layers , which find nonlinear relationships between the features and the label.
• The output layer , which provides the prediction.

For example, the following illustration shows a neural network with one input layer, two hidden layers, and one output layer:

In TensorFlow , layers are also Python functions that take Tensors and configuration options as input and produce other tensors as output.

Layers API (tf.layers)

A TensorFlow API for constructing a deep neural network as a composition of layers. The Layers API lets you build different types of layers , such as:

• tf.layers.Dense for a fully-connected layer .
• tf.layers.Conv2D for a convolutional layer.

The Layers API follows the Keras layers API conventions. That is, aside from a different prefix, all functions in the Layers API have the same names and signatures as their counterparts in the Keras layers API.

лист

Any endpoint in a decision tree . Unlike a condition , a leaf doesn't perform a test. Rather, a leaf is a possible prediction. A leaf is also the terminal node of an inference path .

For example, the following decision tree contains three leaves:

Learning Interpretability Tool (LIT)

A visual, interactive model-understanding and data visualization tool.

You can use open-source LIT to interpret models or to visualize text, image, and tabular data.

learning rate

A floating-point number that tells the gradient descent algorithm how strongly to adjust weights and biases on each iteration . For example, a learning rate of 0.3 would adjust weights and biases three times more powerfully than a learning rate of 0.1.

Learning rate is a key hyperparameter . If you set the learning rate too low, training will take too long. If you set the learning rate too high, gradient descent often has trouble reaching convergence .

least squares regression

A linear regression model trained by minimizing L ₂ Loss .

линейный

A relationship between two or more variables that can be represented solely through addition and multiplication.

The plot of a linear relationship is a line.

Contrast with nonlinear .

linear model

A model that assigns one weight per feature to make predictions . (Linear models also incorporate a bias .) In contrast, the relationship of features to predictions in deep models is generally nonlinear .

Linear models are usually easier to train and more interpretable than deep models. However, deep models can learn complex relationships between features.

Linear regression and logistic regression are two types of linear models.

y' = 7 + (-2.5)(x1) + (-1.2)(x2) + (1.4)(x3)

y' = 7 + (-2.5)(4) + (-1.2)(-10) + (1.4)(5)
y' = 16

линейная регрессия

A type of machine learning model in which both of the following are true:

• The model is a linear model .
• The prediction is a floating-point value. (This is the regression part of linear regression .)

Contrast linear regression with logistic regression . Also, contrast regression with classification .

LIT

Abbreviation for the Learning Interpretability Tool (LIT) , which was previously known as the Language Interpretability Tool.

LLM

Abbreviation for large language model .

LLM evaluations (evals)

A set of metrics and benchmarks for assessing the performance of large language models (LLMs). At a high level, LLM evaluations:

• Help researchers identify areas where LLMs need improvement.
• Are useful in comparing different LLMs and identifying the best LLM for a particular task.
• Help ensure that LLMs are safe and ethical to use.

логистическая регрессия

A type of regression model that predicts a probability. Logistic regression models have the following characteristics:

• The label is categorical . The term logistic regression usually refers to binary logistic regression , that is, to a model that calculates probabilities for labels with two possible values. A less common variant, multinomial logistic regression , calculates probabilities for labels with more than two possible values.
• The loss function during training is Log Loss . (Multiple Log Loss units can be placed in parallel for labels with more than two possible values.)
• The model has a linear architecture, not a deep neural network. However, the remainder of this definition also applies to deep models that predict probabilities for categorical labels.

For example, consider a logistic regression model that calculates the probability of an input email being either spam or not spam. During inference, suppose the model predicts 0.72. Therefore, the model is estimating:

• A 72% chance of the email being spam.
• A 28% chance of the email not being spam.

A logistic regression model uses the following two-step architecture:

1. The model generates a raw prediction (y') by applying a linear function of input features.
2. The model uses that raw prediction as input to a sigmoid function , which converts the raw prediction to a value between 0 and 1, exclusive.

Like any regression model, a logistic regression model predicts a number. However, this number typically becomes part of a binary classification model as follows:

• If the predicted number is greater than the classification threshold , the binary classification model predicts the positive class.
• If the predicted number is less than the classification threshold, the binary classification model predicts the negative class.

logits

The vector of raw (non-normalized) predictions that a classification model generates, which is ordinarily then passed to a normalization function. If the model is solving a multi-class classification problem, logits typically become an input to the softmax function. The softmax function then generates a vector of (normalized) probabilities with one value for each possible class.

Log Loss

The loss function used in binary logistic regression .

log-odds

The logarithm of the odds of some event.

Long Short-Term Memory (LSTM)

A type of cell in a recurrent neural network used to process sequences of data in applications such as handwriting recognition, machine translation, and image captioning. LSTMs address the vanishing gradient problem that occurs when training RNNs due to long data sequences by maintaining history in an internal memory state based on new input and context from previous cells in the RNN.

LoRA

Abbreviation for Low-Rank Adaptability .

потеря

During the training of a supervised model , a measure of how far a model's prediction is from its label .

A loss function calculates the loss.

loss aggregator

A type of machine learning algorithm that improves the performance of a model by combining the predictions of multiple models and using those predictions to make a single prediction. As a result, a loss aggregator can reduce the variance of the predictions and improve the accuracy of the predictions.

loss curve

A plot of loss as a function of the number of training iterations . The following plot shows a typical loss curve:

Loss curves can help you determine when your model is converging or overfitting .

Loss curves can plot all of the following types of loss:

• training loss
• validation loss
• test loss

See also generalization curve .

функция потерь

During training or testing, a mathematical function that calculates the loss on a batch of examples. A loss function returns a lower loss for models that makes good predictions than for models that make bad predictions.

The goal of training is typically to minimize the loss that a loss function returns.

Many different kinds of loss functions exist. Pick the appropriate loss function for the kind of model you are building. Например:

• L ₂ loss (or Mean Squared Error ) is the loss function for linear regression .
• Log Loss is the loss function for logistic regression .

loss surface

A graph of weight(s) versus loss. Gradient descent aims to find the weight(s) for which the loss surface is at a local minimum.

Low-Rank Adaptability (LoRA)

A parameter-efficient technique for fine tuning that "freezes" the model's pre-trained weights (such that they can no longer be modified) and then inserts a small set of trainable weights into the model. This set of trainable weights (also known as "update matrices") is considerably smaller than the base model and is therefore much faster to train.

LoRA provides the following benefits:

• Improves the quality of a model's predictions for the domain where the fine tuning is applied.
• Fine-tunes faster than techniques that require fine-tuning all of a model's parameters.
• Reduces the computational cost of inference by enabling concurrent serving of multiple specialized models sharing the same base model.

LSTM

Abbreviation for Long Short-Term Memory .

М

машинное обучение

A program or system that trains a model from input data. The trained model can make useful predictions from new (never-before-seen) data drawn from the same distribution as the one used to train the model.

Machine learning also refers to the field of study concerned with these programs or systems.

majority class

The more common label in a class-imbalanced dataset . For example, given a dataset containing 99% negative labels and 1% positive labels, the negative labels are the majority class.

Contrast with minority class .

Markov decision process (MDP)

A graph representing the decision-making model where decisions (or actions ) are taken to navigate a sequence of states under the assumption that the Markov property holds. In reinforcement learning , these transitions between states return a numerical reward .

Markov property

A property of certain environments , where state transitions are entirely determined by information implicit in the current state and the agent's action .

masked language model

A language model that predicts the probability of candidate tokens to fill in blanks in a sequence. For example, a masked language model can calculate probabilities for candidate word(s) to replace the underline in the following sentence:

The ____ in the hat came back.

The literature typically uses the string "MASK" instead of an underline. Например:

The "MASK" in the hat came back.

Most modern masked language models are bidirectional .

matplotlib

An open-source Python 2D plotting library. matplotlib helps you visualize different aspects of machine learning.

matrix factorization

In math, a mechanism for finding the matrixes whose dot product approximates a target matrix.

In recommendation systems , the target matrix often holds users' ratings on items . For example, the target matrix for a movie recommendation system might look something like the following, where the positive integers are user ratings and 0 means that the user didn't rate the movie:

The movie recommendation system aims to predict user ratings for unrated movies. For example, will User 1 like Black Panther ?

One approach for recommendation systems is to use matrix factorization to generate the following two matrixes:

• A user matrix , shaped as the number of users X the number of embedding dimensions.
• An item matrix , shaped as the number of embedding dimensions X the number of items.

For example, using matrix factorization on our three users and five items could yield the following user matrix and item matrix:

User Matrix                 Item Matrix

1.1   2.3           0.9   0.2   1.4    2.0   1.2
0.6   2.0           1.7   1.2   1.2   -0.1   2.1
2.5   0.5

The dot product of the user matrix and item matrix yields a recommendation matrix that contains not only the original user ratings but also predictions for the movies that each user hasn't seen. For example, consider User 1's rating of Casablanca , which was 5.0. The dot product corresponding to that cell in the recommendation matrix should hopefully be around 5.0, and it is:

(1.1 * 0.9) + (2.3 * 1.7) = 4.9

More importantly, will User 1 like Black Panther ? Taking the dot product corresponding to the first row and the third column yields a predicted rating of 4.3:

(1.1 * 1.4) + (2.3 * 1.2) = 4.3

Matrix factorization typically yields a user matrix and item matrix that, together, are significantly more compact than the target matrix.

Mean Absolute Error (MAE)

The average loss per example when L ₁ loss is used. Calculate Mean Absolute Error as follows:

1. Calculate the L ₁ loss for a batch.
2. Divide the L ₁ loss by the number of examples in the batch.

For example, consider the calculation of L ₁ loss on the following batch of five examples:

So, L ₁ loss is 8 and the number of examples is 5. Therefore, the Mean Absolute Error is:

Mean Absolute Error = L1 loss / Number of Examples
Mean Absolute Error = 8/5 = 1.6

Contrast Mean Absolute Error with Mean Squared Error and Root Mean Squared Error .

Mean Squared Error (MSE)

The average loss per example when L ₂ loss is used. Calculate Mean Squared Error as follows:

1. Calculate the L ₂ loss for a batch.
2. Divide the L ₂ loss by the number of examples in the batch.

For example, consider the loss on the following batch of five examples:

Therefore, the Mean Squared Error is:

Mean Squared Error = L2 loss / Number of Examples
Mean Squared Error = 16/5 = 3.2

Mean Squared Error is a popular training optimizer , particularly for linear regression .

Contrast Mean Squared Error with Mean Absolute Error and Root Mean Squared Error .

TensorFlow Playground uses Mean Squared Error to calculate loss values.

сетка

In ML parallel programming, a term associated with assigning the data and model to TPU chips, and defining how these values will be sharded or replicated.

Mesh is an overloaded term that can mean either of the following:

• A physical layout of TPU chips.
• An abstract logical construct for mapping the data and model to the TPU chips.

In either case, a mesh is specified as a shape .

meta-learning

A subset of machine learning that discovers or improves a learning algorithm. A meta-learning system can also aim to train a model to quickly learn a new task from a small amount of data or from experience gained in previous tasks. Meta-learning algorithms generally try to achieve the following:

• Improve or learn hand-engineered features (such as an initializer or an optimizer).
• Be more data-efficient and compute-efficient.
• Improve generalization.

Meta-learning is related to few-shot learning .

метрика

A statistic that you care about.

An objective is a metric that a machine learning system tries to optimize.

Metrics API (tf.metrics)

A TensorFlow API for evaluating models. For example, tf.metrics.accuracy determines how often a model's predictions match labels.

mini-batch

A small, randomly selected subset of a batch processed in one iteration . The batch size of a mini-batch is usually between 10 and 1,000 examples.

For example, suppose the entire training set (the full batch) consists of 1,000 examples. Further suppose that you set the batch size of each mini-batch to 20. Therefore, each iteration determines the loss on a random 20 of the 1,000 examples and then adjusts the weights and biases accordingly.

It is much more efficient to calculate the loss on a mini-batch than the loss on all the examples in the full batch.

mini-batch stochastic gradient descent

A gradient descent algorithm that uses mini-batches . In other words, mini-batch stochastic gradient descent estimates the gradient based on a small subset of the training data. Regular stochastic gradient descent uses a mini-batch of size 1.

minimax loss

A loss function for generative adversarial networks , based on the cross-entropy between the distribution of generated data and real data.

Minimax loss is used in the first paper to describe generative adversarial networks.

minority class

The less common label in a class-imbalanced dataset . For example, given a dataset containing 99% negative labels and 1% positive labels, the positive labels are the minority class.

Contrast with majority class .

mixture of experts

A scheme to increase neural network efficiency by using only a subset of its parameters (known as an expert ) to process a given input token or example . A gating network routes each input token or example to the proper expert(s).

For details, see either of the following papers:

• Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer
• Mixture-of-Experts with Expert Choice Routing

МЛ

Abbreviation for machine learning .

MMIT

Abbreviation for multimodal instruction-tuned .

MNIST

A public-domain dataset compiled by LeCun, Cortes, and Burges containing 60,000 images, each image showing how a human manually wrote a particular digit from 0–9. Each image is stored as a 28x28 array of integers, where each integer is a grayscale value between 0 and 255, inclusive.

MNIST is a canonical dataset for machine learning, often used to test new machine learning approaches. For details, see The MNIST Database of Handwritten Digits .

модальность

A high-level data category. For example, numbers, text, images, video, and audio are five different modalities.

модель

In general, any mathematical construct that processes input data and returns output. Phrased differently, a model is the set of parameters and structure needed for a system to make predictions. In supervised machine learning , a model takes an example as input and infers a prediction as output. Within supervised machine learning, models differ somewhat. Например:

• A linear regression model consists of a set of weights and a bias .
• A neural network model consists of:
  • A set of hidden layers , each containing one or more neurons .
  • The weights and bias associated with each neuron.
• A decision tree model consists of:
  • The shape of the tree; that is, the pattern in which the conditions and leaves are connected.
  • The conditions and leaves.

You can save, restore, or make copies of a model.

Unsupervised machine learning also generates models, typically a function that can map an input example to the most appropriate cluster .

  f(x, y) = 3x -5xy + y2 + 17

def half_of_greater(x, y):
  if (x > y):
    return(x / 2)
  else
    return(y / 2)

model capacity

The complexity of problems that a model can learn. The more complex the problems that a model can learn, the higher the model's capacity. A model's capacity typically increases with the number of model parameters. For a formal definition of classifier capacity, see VC dimension .

model cascading

A system that picks the ideal model for a specific inference query.

Imagine a group of models, ranging from very large (lots of parameters ) to much smaller (far fewer parameters). Very large models consume more computational resources at inference time than smaller models. However, very large models can typically infer more complex requests than smaller models. Model cascading determines the complexity of the inference query and then picks the appropriate model to perform the inference. The main motivation for model cascading is to reduce inference costs by generally selecting smaller models, and only selecting a larger model for more complex queries.

Imagine that a small model runs on a phone and a larger version of that model runs on a remote server. Good model cascading reduces cost and latency by enabling the smaller model to handle simple requests and only calling the remote model to handle complex requests.

See also model router .

model parallelism

A way of scaling training or inference that puts different parts of one model on different devices . Model parallelism enables models that are too big to fit on a single device.

To implement model parallelism, a system typically does the following:

1. Shards (divides) the model into smaller parts.
2. Distributes the training of those smaller parts across multiple processors. Each processor trains its own part of the model.
3. Combines the results to create a single model.

Model parallelism slows training.

See also data parallelism .

model router

The algorithm that determines the ideal model for inference in model cascading . A model router is itself typically a machine learning model that gradually learns how to pick the best model for a given input. However, a model router could sometimes be a simpler, non-machine learning algorithm.

model training

The process of determining the best model .

Импульс

A sophisticated gradient descent algorithm in which a learning step depends not only on the derivative in the current step, but also on the derivatives of the step(s) that immediately preceded it. Momentum involves computing an exponentially weighted moving average of the gradients over time, analogous to momentum in physics. Momentum sometimes prevents learning from getting stuck in local minima.

MOE

Abbreviation for mixture of experts .

multi-class classification

In supervised learning, a classification problem in which the dataset contains more than two classes of labels. For example, the labels in the Iris dataset must be one of the following three classes:

• Iris setosa
• Iris virginica
• Iris versicolor

A model trained on the Iris dataset that predicts Iris type on new examples is performing multi-class classification.

In contrast, classification problems that distinguish between exactly two classes are binary classification models . For example, an email model that predicts either spam or not spam is a binary classification model.

In clustering problems, multi-class classification refers to more than two clusters.

multi-class logistic regression

Using logistic regression in multi-class classification problems.

multi-head self-attention

An extension of self-attention that applies the self-attention mechanism multiple times for each position in the input sequence.

Transformers introduced multi-head self-attention.

multimodal model

A model whose inputs and/or outputs include more than one modality . For example, consider a model that takes both an image and a text caption (two modalities) as features , and outputs a score indicating how appropriate the text caption is for the image. So, this model's inputs are multimodal and the output is unimodal.

multimodal instruction-tuned

An instruction-tuned model that can process input beyond text, such as images, video, and audio.

multinomial classification

Synonym for multi-class classification .

multinomial regression

Synonym for multi-class logistic regression .

multitask

A machine learning technique in which a single model is trained to perform multiple tasks .

Multitask models are created by training on data that is appropriate for each of the different tasks. This allows the model to learn to share information across the tasks, which helps the model learn more effectively.

A model trained for multiple tasks often has improved generalization abilities and can be more robust at handling different types of data.

Н

NaN trap

When one number in your model becomes a NaN during training, which causes many or all other numbers in your model to eventually become a NaN.

NaN is an abbreviation for N ot a N umber.

natural language understanding

Determining a user's intentions based on what the user typed or said. For example, a search engine uses natural language understanding to determine what the user is searching for based on what the user typed or said.

negative class

In binary classification , one class is termed positive and the other is termed negative . The positive class is the thing or event that the model is testing for and the negative class is the other possibility. Например:

• The negative class in a medical test might be "not tumor."
• The negative class in an email classifier might be "not spam."

Contrast with positive class .

negative sampling

Synonym for candidate sampling .

Neural Architecture Search (NAS)

A technique for automatically designing the architecture of a neural network . NAS algorithms can reduce the amount of time and resources required to train a neural network.

NAS typically uses:

• A search space, which is a set of possible architectures.
• A fitness function, which is a measure of how well a particular architecture performs on a given task.

NAS algorithms often start with a small set of possible architectures and gradually expand the search space as the algorithm learns more about what architectures are effective. The fitness function is typically based on the performance of the architecture on a training set, and the algorithm is typically trained using a reinforcement learning technique.

NAS algorithms have proven effective in finding high-performing architectures for a variety of tasks, including image classification , text classification, and machine translation.

нейронная сеть

A model containing at least one hidden layer . A deep neural network is a type of neural network containing more than one hidden layer. For example, the following diagram shows a deep neural network containing two hidden layers.

Each neuron in a neural network connects to all of the nodes in the next layer. For example, in the preceding diagram, notice that each of the three neurons in the first hidden layer separately connect to both of the two neurons in the second hidden layer.

Neural networks implemented on computers are sometimes called artificial neural networks to differentiate them from neural networks found in brains and other nervous systems.

Some neural networks can mimic extremely complex nonlinear relationships between different features and the label.

See also convolutional neural network and recurrent neural network .

нейрон

In machine learning, a distinct unit within a hidden layer of a neural network . Each neuron performs the following two-step action:

1. Calculates the weighted sum of input values multiplied by their corresponding weights.
2. Passes the weighted sum as input to an activation function .

A neuron in the first hidden layer accepts inputs from the feature values in the input layer . A neuron in any hidden layer beyond the first accepts inputs from the neurons in the preceding hidden layer. For example, a neuron in the second hidden layer accepts inputs from the neurons in the first hidden layer.

The following illustration highlights two neurons and their inputs.

A neuron in a neural network mimics the behavior of neurons in brains and other parts of nervous systems.

N-gram

An ordered sequence of N words. For example, truly madly is a 2-gram. Because order is relevant, madly truly is a different 2-gram than truly madly .

Many natural language understanding models rely on N-grams to predict the next word that the user will type or say. For example, suppose a user typed three blind . An NLU model based on trigrams would likely predict that the user will next type mice .

Contrast N-grams with bag of words , which are unordered sets of words.

НЛУ

Abbreviation for natural language understanding .

node (decision tree)

In a decision tree , any condition or leaf .

node (neural network)

A neuron in a hidden layer .

node (TensorFlow graph)

An operation in a TensorFlow graph .

шум

Broadly speaking, anything that obscures the signal in a dataset. Noise can be introduced into data in a variety of ways. Например:

• Human raters make mistakes in labeling.
• Humans and instruments mis-record or omit feature values.

non-binary condition

A condition containing more than two possible outcomes. For example, the following non-binary condition contains three possible outcomes:

нелинейный

A relationship between two or more variables that can't be represented solely through addition and multiplication. A linear relationship can be represented as a line; a nonlinear relationship can't be represented as a line. For example, consider two models that each relate a single feature to a single label. The model on the left is linear and the model on the right is nonlinear:

non-response bias

See selection bias .

nonstationarity

A feature whose values change across one or more dimensions, usually time. For example, consider the following examples of nonstationarity:

• The number of swimsuits sold at a particular store varies with the season.
• The quantity of a particular fruit harvested in a particular region is zero for much of the year but large for a brief period.
• Due to climate change, annual mean temperatures are shifting.

Contrast with stationarity .

нормализация

Broadly speaking, the process of converting a variable's actual range of values into a standard range of values, such as:

• -1 to +1
• 0 to 1
• Z-scores (roughly, -3 to +3)

For example, suppose the actual range of values of a certain feature is 800 to 2,400. As part of feature engineering , you could normalize the actual values down to a standard range, such as -1 to +1.

Normalization is a common task in feature engineering . Models usually train faster (and produce better predictions) when every numerical feature in the feature vector has roughly the same range.

See the Working with Numerical Data module of Machine Learning Crash Course for more details. Also see Z-score normalization .

novelty detection

The process of determining whether a new (novel) example comes from the same distribution as the training set . In other words, after training on the training set, novelty detection determines whether a new example (during inference or during additional training) is an outlier .

Contrast with outlier detection .

numerical data

Features represented as integers or real-valued numbers. For example, a house valuation model would probably represent the size of a house (in square feet or square meters) as numerical data. Representing a feature as numerical data indicates that the feature's values have a mathematical relationship to the label. That is, the number of square meters in a house probably has some mathematical relationship to the value of the house.

Not all integer data should be represented as numerical data. For example, postal codes in some parts of the world are integers; however, integer postal codes shouldn't be represented as numerical data in models. That's because a postal code of 20000 is not twice (or half) as potent as a postal code of 10000. Furthermore, although different postal codes do correlate to different real estate values, we can't assume that real estate values at postal code 20000 are twice as valuable as real estate values at postal code 10000. Postal codes should be represented as categorical data instead.

Numerical features are sometimes called continuous features .

NumPy

An open-source math library that provides efficient array operations in Python. pandas is built on NumPy.

О

цель

A metric that your algorithm is trying to optimize.

objective function

The mathematical formula or metric that a model aims to optimize. For example, the objective function for linear regression is usually Mean Squared Loss . Therefore, when training a linear regression model, training aims to minimize Mean Squared Loss.

In some cases, the goal is to maximize the objective function. For example, if the objective function is accuracy, the goal is to maximize accuracy.

See also loss .

oblique condition

In a decision tree , a condition that involves more than one feature . For example, if height and width are both features, then the following is an oblique condition:

  height > width

Contrast with axis-aligned condition .

офлайн

Synonym for static .

offline inference

The process of a model generating a batch of predictions and then caching (saving) those predictions. Apps can then access the inferred prediction from the cache rather than rerunning the model.

For example, consider a model that generates local weather forecasts (predictions) once every four hours. After each model run, the system caches all the local weather forecasts. Weather apps retrieve the forecasts from the cache.

Offline inference is also called static inference .

Contrast with online inference .

one-hot encoding

Representing categorical data as a vector in which:

• One element is set to 1.
• All other elements are set to 0.

One-hot encoding is commonly used to represent strings or identifiers that have a finite set of possible values. For example, suppose a certain categorical feature named Scandinavia has five possible values:

• "Дания"
• "Швеция"
• "Норвегия"
• "Финляндия"
• "Исландия"

One-hot encoding could represent each of the five values as follows:

Thanks to one-hot encoding, a model can learn different connections based on each of the five countries.

Representing a feature as numerical data is an alternative to one-hot encoding. Unfortunately, representing the Scandinavian countries numerically is not a good choice. For example, consider the following numeric representation:

• "Denmark" is 0
• "Sweden" is 1
• "Norway" is 2
• "Finland" is 3
• "Iceland" is 4

With numeric encoding, a model would interpret the raw numbers mathematically and would try to train on those numbers. However, Iceland isn't actually twice as much (or half as much) of something as Norway, so the model would come to some strange conclusions.

one-shot learning

A machine learning approach, often used for object classification, designed to learn effective classifiers from a single training example.

See also few-shot learning and zero-shot learning .

one-shot prompting

A prompt that contains one example demonstrating how the large language model should respond. For example, the following prompt contains one example showing a large language model how it should answer a query.

Compare and contrast one-shot prompting with the following terms:

• zero-shot prompting
• few-shot prompting

one-vs.-all

Given a classification problem with N classes, a solution consisting of N separate binary classifiers —one binary classifier for each possible outcome. For example, given a model that classifies examples as animal, vegetable, or mineral, a one-vs.-all solution would provide the following three separate binary classifiers:

• animal versus not animal
• vegetable versus not vegetable
• mineral versus not mineral

онлайн

Synonym for dynamic .

online inference

Generating predictions on demand. For example, suppose an app passes input to a model and issues a request for a prediction. A system using online inference responds to the request by running the model (and returning the prediction to the app).

Contrast with offline inference .

operation (op)

In TensorFlow, any procedure that creates, manipulates, or destroys a Tensor . For example, a matrix multiply is an operation that takes two Tensors as input and generates one Tensor as output.

Optax

A gradient processing and optimization library for JAX . Optax facilitates research by providing building blocks that can be recombined in custom ways to optimize parametric models such as deep neural networks. Other goals include:

• Providing readable, well-tested, efficient implementations of core components.
• Improving productivity by making it possible to combine low level ingredients into custom optimizers (or other gradient processing components).
• Accelerating adoption of new ideas by making it easy for anyone to contribute.

optimizer

A specific implementation of the gradient descent algorithm. Popular optimizers include:

• AdaGrad , which stands for ADAptive GRADient descent.
• Adam, which stands for ADAptive with Momentum.

out-group homogeneity bias

The tendency to see out-group members as more alike than in-group members when comparing attitudes, values, personality traits, and other characteristics. In-group refers to people you interact with regularly; out-group refers to people you don't interact with regularly. If you create a dataset by asking people to provide attributes about out-groups, those attributes may be less nuanced and more stereotyped than attributes that participants list for people in their in-group.

For example, Lilliputians might describe the houses of other Lilliputians in great detail, citing small differences in architectural styles, windows, doors, and sizes. However, the same Lilliputians might simply declare that Brobdingnagians all live in identical houses.

Out-group homogeneity bias is a form of group attribution bias .

See also in-group bias .

outlier detection

The process of identifying outliers in a training set .

Contrast with novelty detection .

outliers

Values distant from most other values. In machine learning, any of the following are outliers:

• Input data whose values are more than roughly 3 standard deviations from the mean.
• Weights with high absolute values.
• Predicted values relatively far away from the actual values.

For example, suppose that widget-price is a feature of a certain model. Assume that the mean widget-price is 7 Euros with a standard deviation of 1 Euro. Examples containing a widget-price of 12 Euros or 2 Euros would therefore be considered outliers because each of those prices is five standard deviations from the mean.

Outliers are often caused by typos or other input mistakes. In other cases, outliers aren't mistakes; after all, values five standard deviations away from the mean are rare but hardly impossible.

Outliers often cause problems in model training. Clipping is one way of managing outliers.

out-of-bag evaluation (OOB evaluation)

A mechanism for evaluating the quality of a decision forest by testing each decision tree against the examples not used during training of that decision tree. For example, in the following diagram, notice that the system trains each decision tree on about two-thirds of the examples and then evaluates against the remaining one-third of the examples.

Out-of-bag evaluation is a computationally efficient and conservative approximation of the cross-validation mechanism. In cross-validation, one model is trained for each cross-validation round (for example, 10 models are trained in a 10-fold cross-validation). With OOB evaluation, a single model is trained. Because bagging withholds some data from each tree during training, OOB evaluation can use that data to approximate cross-validation.

output layer

The "final" layer of a neural network. The output layer contains the prediction.

The following illustration shows a small deep neural network with an input layer, two hidden layers, and an output layer:

переоснащение

Creating a model that matches the training data so closely that the model fails to make correct predictions on new data.

Regularization can reduce overfitting. Training on a large and diverse training set can also reduce overfitting.

передискретизация

Reusing the examples of a minority class in a class-imbalanced dataset in order to create a more balanced training set .

For example, consider a binary classification problem in which the ratio of the majority class to the minority class is 5,000:1. If the dataset contains a million examples, then the dataset contains only about 200 examples of the minority class, which might be too few examples for effective training. To overcome this deficiency, you might oversample (reuse) those 200 examples multiple times, possibly yielding sufficient examples for useful training.

You need to be careful about over overfitting when oversampling.

Contrast with undersampling .

П

packed data

An approach for storing data more efficiently.

Packed data stores data either by using a compressed format or in some other way that allows it to be accessed more efficiently. Packed data minimizes the amount of memory and computation required to access it, leading to faster training and more efficient model inference.

Packed data is often used with other techniques, such as data augmentation and regularization , further improving the performance of models .

панды

A column-oriented data analysis API built on top of numpy . Many machine learning frameworks, including TensorFlow, support pandas data structures as inputs. See the pandas documentation for details.

параметр

The weights and biases that a model learns during training . For example, in a linear regression model, the parameters consist of the bias ( b ) and all the weights ( w ₁ , w ₂ , and so on) in the following formula:

In contrast, hyperparameter are the values that you (or a hyperparameter tuning service) supply to the model. For example, learning rate is a hyperparameter.

parameter-efficient tuning

A set of techniques to fine-tune a large pre-trained language model (PLM) more efficiently than full fine-tuning . Parameter-efficient tuning typically fine-tunes far fewer parameters than full fine-tuning, yet generally produces a large language model that performs as well (or almost as well) as a large language model built from full fine-tuning.

Compare and contrast parameter-efficient tuning with:

• instruction tuning
• prompt tuning

Parameter-efficient tuning is also known as parameter-efficient fine-tuning .

Parameter Server (PS)

A job that keeps track of a model's parameters in a distributed setting.

parameter update

The operation of adjusting a model's parameters during training, typically within a single iteration of gradient descent .

partial derivative

A derivative in which all but one of the variables is considered a constant. For example, the partial derivative of f(x, y) with respect to x is the derivative of f considered as a function of x alone (that is, keeping y constant). The partial derivative of f with respect to x focuses only on how x is changing and ignores all other variables in the equation.

participation bias

Synonym for non-response bias. See selection bias .

partitioning strategy

The algorithm by which variables are divided across parameter servers .

Пакс

A programming framework designed for training large-scale neural network models so large that they span multiple TPU accelerator chip slices or pods .

Pax is built on Flax , which is built on JAX .

персептрон

A system (either hardware or software) that takes in one or more input values, runs a function on the weighted sum of the inputs, and computes a single output value. In machine learning, the function is typically nonlinear, such as ReLU , sigmoid , or tanh . For example, the following perceptron relies on the sigmoid function to process three input values:

In the following illustration, the perceptron takes three inputs, each of which is itself modified by a weight before entering the perceptron:

Perceptrons are the neurons in neural networks .

производительность

Overloaded term with the following meanings:

• The standard meaning within software engineering. Namely: How fast (or efficiently) does this piece of software run?
• The meaning within machine learning. Here, performance answers the following question: How correct is this model ? That is, how good are the model's predictions?

permutation variable importances

A type of variable importance that evaluates the increase in the prediction error of a model after permuting the feature's values. Permutation variable importance is a model-independent metric.

недоумение

One measure of how well a model is accomplishing its task. For example, suppose your task is to read the first few letters of a word a user is typing on a phone keyboard, and to offer a list of possible completion words. Perplexity, P, for this task is approximately the number of guesses you need to offer in order for your list to contain the actual word the user is trying to type.

Perplexity is related to cross-entropy as follows:

трубопровод

The infrastructure surrounding a machine learning algorithm. A pipeline includes gathering the data, putting the data into training data files, training one or more models, and exporting the models to production.

pipelining

A form of model parallelism in which a model's processing is divided into consecutive stages and each stage is executed on a different device. While a stage is processing one batch, the preceding stage can work on the next batch.

See also staged training .

pjit

A JAX function that splits code to run across multiple accelerator chips . The user passes a function to pjit, which returns a function that has the equivalent semantics but is compiled into an XLA computation that runs across multiple devices (such as GPUs or TPU cores).

pjit enables users to shard computations without rewriting them by using the SPMD partitioner.

As of March 2023, pjit has been merged with jit . Refer to Distributed arrays and automatic parallelization for more details.

ПЛМ

Abbreviation for pre-trained language model .

pmap

A JAX function that executes copies of an input function on multiple underlying hardware devices (CPUs, GPUs, or TPUs ), with different input values. pmap relies on SPMD .

политика

In reinforcement learning, an agent's probabilistic mapping from states to actions .

объединение

Reducing a matrix (or matrixes) created by an earlier convolutional layer to a smaller matrix. Pooling usually involves taking either the maximum or average value across the pooled area. For example, suppose we have the following 3x3 matrix:

A pooling operation, just like a convolutional operation, divides that matrix into slices and then slides that convolutional operation by strides . For example, suppose the pooling operation divides the convolutional matrix into 2x2 slices with a 1x1 stride. As the following diagram illustrates, four pooling operations take place. Imagine that each pooling operation picks the maximum value of the four in that slice:

Pooling helps enforce translational invariance in the input matrix.

Pooling for vision applications is known more formally as spatial pooling . Time-series applications usually refer to pooling as temporal pooling . Less formally, pooling is often called subsampling or downsampling .

positional encoding

A technique to add information about the position of a token in a sequence to the token's embedding. Transformer models use positional encoding to better understand the relationship between different parts of the sequence.

A common implementation of positional encoding uses a sinusoidal function. (Specifically, the frequency and amplitude of the sinusoidal function are determined by the position of the token in the sequence.) This technique enables a Transformer model to learn to attend to different parts of the sequence based on their position.

positive class

The class you are testing for.

For example, the positive class in a cancer model might be "tumor." The positive class in an email classifier might be "spam."

Contrast with negative class .

post-processing

Adjusting the output of a model after the model has been run. Post-processing can be used to enforce fairness constraints without modifying models themselves.

For example, one might apply post-processing to a binary classifier by setting a classification threshold such that equality of opportunity is maintained for some attribute by checking that the true positive rate is the same for all values of that attribute.

PR AUC (area under the PR curve)

Area under the interpolated precision-recall curve , obtained by plotting (recall, precision) points for different values of the classification threshold . Depending on how it's calculated, PR AUC may be equivalent to the average precision of the model.

Практика

A core, high-performance ML library of Pax . Praxis is often called the "Layer library".

Praxis contains not just the definitions for the Layer class, but most of its supporting components as well, including:

• ввод данных
• configuration libraries (HParam and Fiddle )
• optimizers

Praxis provides the definitions for the Model class.

точность

A metric for classification models that answers the following question:

When the model predicted the positive class , what percentage of the predictions were correct?

Here is the formula:

где:

• true positive means the model correctly predicted the positive class.
• false positive means the model mistakenly predicted the positive class.

For example, suppose a model made 200 positive predictions. Of these 200 positive predictions:

• 150 were true positives.
• 50 were false positives.

В этом случае:

Contrast with accuracy and recall .

See Classification: Accuracy, recall, precision and related metrics for more information.

precision-recall curve

A curve of precision versus recall at different classification thresholds .

прогноз

A model's output. Например:

• The prediction of a binary classification model is either the positive class or the negative class.
• The prediction of a multi-class classification model is one class.
• The prediction of a linear regression model is a number.

prediction bias

A value indicating how far apart the average of predictions is from the average of labels in the dataset.

Not to be confused with the bias term in machine learning models or with bias in ethics and fairness .

predictive ML

Any standard ("classic") machine learning system.

The term predictive ML doesn't have a formal definition. Rather, the term distinguishes a category of ML systems not based on generative AI .

predictive parity

A fairness metric that checks whether, for a given classifier, the precision rates are equivalent for subgroups under consideration.

For example, a model that predicts college acceptance would satisfy predictive parity for nationality if its precision rate is the same for Lilliputians and Brobdingnagians.

Predictive parity is sometime also called predictive rate parity .

See "Fairness Definitions Explained" (section 3.2.1) for a more detailed discussion of predictive parity.

predictive rate parity

Another name for predictive parity .

preprocessing

pre-trained model

Models or model components (such as an embedding vector ) that have been already been trained. Sometimes, you'll feed pre-trained embedding vectors into a neural network . Other times, your model will train the embedding vectors themselves rather than rely on the pre-trained embeddings.

The term pre-trained language model refers to a large language model that has gone through pre-training .

pre-training

The initial training of a model on a large dataset. Some pre-trained models are clumsy giants and must typically be refined through additional training. For example, ML experts might pre-train a large language model on a vast text dataset, such as all the English pages in Wikipedia. Following pre-training, the resulting model might be further refined through any of the following techniques:

• дистилляция
• тонкая настройка
• instruction tuning
• parameter-efficient tuning
• prompt-tuning

prior belief

What you believe about the data before you begin training on it. For example, L ₂ regularization relies on a prior belief that weights should be small and normally distributed around zero.

probabilistic regression model

A regression model that uses not only the weights for each feature , but also the uncertainty of those weights. A probabilistic regression model generates a prediction and the uncertainty of that prediction. For example, a probabilistic regression model might yield a prediction of 325 with a standard deviation of 12. For more information about probabilistic regression models, see this Colab on tensorflow.org .

функция плотности вероятности

A function that identifies the frequency of data samples having exactly a particular value. When a dataset's values are continuous floating-point numbers, exact matches rarely occur. However, integrating a probability density function from value x to value y yields the expected frequency of data samples between x and y .

For example, consider a normal distribution having a mean of 200 and a standard deviation of 30. To determine the expected frequency of data samples falling within the range 211.4 to 218.7, you can integrate the probability density function for a normal distribution from 211.4 to 218.7 .

быстрый

Any text entered as input to a large language model to condition the model to behave in a certain way. Prompts can be as short as a phrase or arbitrarily long (for example, the entire text of a novel). Prompts fall into multiple categories, including those shown in the following table:

A generative AI model can respond to a prompt with text, code, images, embeddings , videos…almost anything.

prompt-based learning

A capability of certain models that enables them to adapt their behavior in response to arbitrary text input ( prompts ). In a typical prompt-based learning paradigm, a large language model responds to a prompt by generating text. For example, suppose a user enters the following prompt:

Summarize Newton's Third Law of Motion.

A model capable of prompt-based learning isn't specifically trained to answer the previous prompt. Rather, the model "knows" a lot of facts about physics, a lot about general language rules, and a lot about what constitutes generally useful answers. That knowledge is sufficient to provide a (hopefully) useful answer. Additional human feedback ("That answer was too complicated." or "What's a reaction?") enables some prompt-based learning systems to gradually improve the usefulness of their answers.

prompt design

Synonym for prompt engineering .

оперативное проектирование

The art of creating prompts that elicit the desired responses from a large language model . Humans perform prompt engineering. Writing well-structured prompts is an essential part of ensuring useful responses from a large language model. Prompt engineering depends on many factors, including:

• The dataset used to pre-train and possibly fine-tune the large language model.
• The temperature and other decoding parameters that the model uses to generate responses.

See Introduction to prompt design for more details on writing helpful prompts.

Prompt design is a synonym for prompt engineering.

prompt tuning

A parameter efficient tuning mechanism that learns a "prefix" that the system prepends to the actual prompt .

One variation of prompt tuning—sometimes called prefix tuning —is to prepend the prefix at every layer . In contrast, most prompt tuning only adds a prefix to the input layer .

proxy labels

Data used to approximate labels not directly available in a dataset.

For example, suppose you must train a model to predict employee stress level. Your dataset contains a lot of predictive features but doesn't contain a label named stress level. Undaunted, you pick "workplace accidents" as a proxy label for stress level. After all, employees under high stress get into more accidents than calm employees. Or do they? Maybe workplace accidents actually rise and fall for multiple reasons.

As a second example, suppose you want is it raining? to be a Boolean label for your dataset, but your dataset doesn't contain rain data. If photographs are available, you might establish pictures of people carrying umbrellas as a proxy label for is it raining? Is that a good proxy label? Possibly, but people in some cultures may be more likely to carry umbrellas to protect against sun than the rain.

Proxy labels are often imperfect. When possible, choose actual labels over proxy labels. That said, when an actual label is absent, pick the proxy label very carefully, choosing the least horrible proxy label candidate.

proxy (sensitive attributes)

pure function

A function whose outputs are based only on its inputs, and that has no side effects. Specifically, a pure function doesn't use or change any global state, such as the contents of a file or the value of a variable outside the function.

Pure functions can be used to create thread-safe code, which is beneficial when sharding model code across multiple accelerator chips .

JAX's function transformation methods require that the input functions are pure functions.

вопрос

Q-function

In reinforcement learning , the function that predicts the expected return from taking an action in a state and then following a given policy .