Ложноотрицательный показатель (False negative rate) – это доля фактических положительных примеров, для которых прогнозируется отрицательный класс. Ложноотрицательный показатель равен отношению ложных отрицательных результатов к сумме ложных отрицательных и истинно положительных результатов.
Ложный отрицательный результат (False Negative) – это случай, в котором модель ошибочно определила отрицательный класс. Например, модель сделала вывод, что конкретное сообщение электронной почты не было спамом (отрицательный класс), но по факту оно действительно было спамом.
Ложный положительный результат (False Positive) – это случай, в котором модель ошибочно предсказала положительный класс. Например, модель сделала вывод, что конкретное сообщение электронной почты было спамом (положительный класс), но на самом деле это письмо являлось частью важной переписки. Частота ложных срабатываний (FPR) – ось X на кривой ROC.
Локальное устройство (Local device) – это устройства, входящие в сеть, которая покрывает относительно небольшую территорию или небольшую группу зданий.
Локальный сервер (Local server) – это хостинг, работающий при помощи программ, которые осуществляют его эмуляцию на личном компьютере.
Лямбда (Lambda) – это функция в программировании на Python, анонимная функция или функция без имени. Это небольшая и ограниченная функция, состоящая не более чем из одной строки. Как и обычная функция, лямбда-функция может иметь несколько аргументов в одном выражении. [[43 - Лямбда [Электронный ресурс] www.guru99.com URL: https://www.guru99.com/python-lambda-function.html (https://www.guru99.com/python-lambda-function.html) (дата обращения: 07.07.2022)]]
«М»
Маркер (Token) в языковой модели – это элементарная единица, на которой модель обучается и делает прогнозы.
Марковская модель (Markov model) — это статистическая модель, имитирующая работу процесса, похожего на марковский процесс с неизвестными параметрами, задачей которой является определение неизвестных параметров на основе наблюдаемых данных.
Марковские процессы принятия решений (MDP) (Markov decision process) – это стохастический процесс управления с дискретным временем. Он обеспечивает математическую основу для моделирования принятия решений в ситуациях, когда результаты частично случайны и частично находятся под контролем лица, принимающего решения. MDP полезны для изучения задач оптимизации, решаемых с помощью динамического программирования и обучения с подкреплением.
Марковский процесс (Markov process) – это случайный процесс, эволюция которого после любого заданного значения временного параметра t не зависит от эволюции, предшествовавшей t, при фиксированных параметрах процесса [[44 - Марковский процесс [Электронный ресурс] //en.wikipedia.org. URL: https://ru.wikipedia.org/wiki/%D0%9C%D0%B0%D1%80%D0%BA%D0%BE%D0%B2%D1%81%D0%BA%D0%B8%D0%B9_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D1%81 (https://ru.wikipedia.org/wiki/%D0%9C%D0%B0%D1%80%D0%BA%D0%BE%D0%B2%D1%81%D0%BA%D0%B8%D0%B9_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D1%81) (дата обращения: 07.07.2022)]].
Марковское свойство (Markov property) – этот термин, относится к свойству случайного процесса без памяти. Назван в честь русского математика Андрея Маркова. [[45 - Марковское свойство [Электронный ресурс] //wikimili.com URL: https://wikimili.com/en/Markov_property/ (https://wikimili.com/en/Markov_property/) (дата обращения: 07.07.2022)]]
Маска R-CNN (Mask R-CNN) – это свёрточная нейронная сеть (CNN), передовая технология сегментации изображений. Этот вариант глубокой нейронной сети обнаруживает объекты на изображении и создает высококачественную маску сегментации для каждого экземпляра. Используя Mask R-CNN можно автоматически сегментировать и создавать попиксельные маски для каждого объекта на изображении. Можно применять Mask R-CNN как к изображениям, так и к видеопотокам.
Маскированная языковая модель (Masked language model) – это языковая модель, которая предсказывает вероятность того, что токены-кандидаты заполнят пробелы в последовательности. Большинство современных моделей маскированного языка являются двунаправленными.
Масштабирование (Scaling) – это обычно используемая практика в разработке признаков, чтобы оптимизировать диапазон значений объекта, чтобы он соответствовал диапазону других объектов в наборе данных.
Масштабируемость (Scalability) – это способность системы, сети или процесса справляться с увеличением рабочей нагрузки (увеличивать свою производительность) при добавлении ресурсов (обычно аппаратных).
Математическая оптимизация (математическое программирование) (Mathematical optimization) – это выбор наилучшего элемента по некоторому критерию из некоторого набора доступных альтернатив. Это чрезвычайно мощная технология предписывающей аналитики, которая позволяет компаниям решать сложные бизнес-задачи и более эффективно использовать доступные ресурсы и данные
Матрица неточностей (Confusion matrix) – это таблица ситуационного анализа, в которой суммируются результаты прогнозирования модели классификации в машинном обучении. Записи в наборе данных сводятся в виде матрицы в соответствии с реальной категорией и оценкой классификации, сделанной моделью классификации.
Матрица элементов (Item matrix) — в рекомендательных системах – это матрица вложений, созданная матричной факторизацией, которая содержит скрытые сигналы о каждом элементе. Каждая строка матрицы элементов содержит значение одной скрытой функции для всех элементов. Матрица элементов имеет то же количество столбцов, что и целевая матрица, которая факторизуется. Например, если система рекомендаций по фильмам оценивает 10 000 названий фильмов, матрица элементов будет состоять из 10 000 столбцов.
Матричная факторизация (Matrix factorization) – это разложение одной матрицы на производные нескольких матриц. Существует множество различных способов факторизации матриц. Многие сложные матричные операции не могут быть решены эффективно или стабильно с использованием ограниченной точности компьютеров. Разложение матриц на составные части упрощает вычисление более сложных матричных операций.
Машина Больцмана (Boltzmann machine) – это вид стохастической рекуррентной нейронной сети, изобретенной Джеффри Хинтоном и Терри Сейновски. Машина Больцмана может рассматриваться как стохастический генеративний вариант сети Хопфилда. Эта модель оказалась первой нейронной сетью, способной обучаться внутренним репрезентациям, и может представлять и решать сложные комбинаторные задачи.
Машина опорных векторов (Support Vector Machine) – это популярная модель обучения с учителем, разработанная Владимиром Вапником и используемая как для классификации данных, так и для регрессии. Тем не менее, он обычно используется для задач классификации, построения гиперплоскости, где расстояние между двумя классами точек данных максимально. Эта гиперплоскость известна как граница решения, разделяющая классы точек данных по обе стороны от плоскости.
Машина повышения градиента (Gradient boost machine) – это тип метода машинного обучения, в котором используется ансамбль слабых моделей прогнозирования для выполнения задач регрессии и классификации.
Машина Тьюринга (Turing machine) – это математическая модель вычислений, определяющая абстрактную машину, которая манипулирует символами на полосе ленты в соответствии с таблицей правил. Несмотря на простоту модели, для любого компьютерного алгоритма можно построить машину Тьюринга, способную имитировать логику этого алгоритма.
Машинное восприятие (Machine perception) – это способность системы получать и интерпретировать данные из внешнего мира аналогично тому, как люди используют наши органы чувств. Обычно это делается с подключенным оборудованием, хотя можно использовать и программное обеспечение.
Машинное зрение (Machine Vision) – это применение общего набора методов, позволяющих компьютерам видеть, для промышленности и производства.
Машинное обучение (Machine Learning) – это область исследования, которая дает компьютерам возможность учиться без явного программирования [[46 - Машинное обучение [Электронный ресурс] // en.wikipedia.org. URL: https://en.wikipedia.org/wiki/Arthur_Samuel (https://en.wikipedia.org/wiki/Arthur_Samuel) (дата обращения: 14.01.2022)],[47 - Машинное обучение [Электронный ресурс] // datascience.stackexchange.com. URL: https://datascience.stackexchange.com/questions/37078/source-of-arthur-samuels-definition-of-machine-learning (https://datascience.stackexchange.com/questions/37078/source-of-arthur-samuels-definition-of-machine-learning) (дата обращения: 14.01.2022)]]. Также под машинным обучением понимают технологии автоматического обучения алгоритмов искусственного интеллекта распознаванию и классификации на тестовых выборках объектов для повышения качества распознавания, обработки и анализа данных, прогнозирования [[48 - Технологии искусственного интеллекта. [текст].– Москва: Агентство промышленного развития Москвы, 2019.-155 с. [Электронный ресурс] // apr.moscow. URL: https://apr.moscow/analitics/promyshlennost-moskvy (https://apr.moscow/analitics/promyshlennost-moskvy) (дата обращения: 02.02.2022).]]. Также машинное обучение определяют, как одно из направлений (подмножеств) искусственного интеллекта, благодаря которому воплощается ключевое свойство интеллектуальных компьютерных систем – самообучение на основе анализа и обработки больших разнородных данных. Чем больше объем информации и ее разнообразие, тем проще искусственному интеллекту найти закономерности и тем точнее будет получаемый результат.
Машинное обучение Microsoft Azure (платформа автоматизации искусственного интеллекта) – это функция, которая предлагает расширенную облачную аналитику, предназначенную для упрощения машинного обучения для бизнеса. Бизнес-пользователи могут моделировать по-своему, используя лучшие в своем классе алгоритмы из пакетов Xbox, Bing, R или Python или добавляя собственный код R или Python. Затем готовую модель можно за считанные минуты развернуть в виде веб-службы, которая может подключаться к любым данным в любом месте. Его также можно опубликовать для сообщества в галерее продуктов или на рынке машинного обучения. В Machine Learning Marketplace доступны интерфейсы прикладного программирования (API) и готовые сервисы. Также, – это способность машин автоматизировать процесс обучения. Входными данными этого процесса обучения являются данные, а выходными данными – модель. Благодаря машинному обучению система может выполнять функцию обучения с данными, которые она принимает, и, таким образом, она становится все лучше в указанной функции.
Машинное прослушивание (Machine listening) – это класс прикладного искусственного интеллекта, используемый для восприятия звука, понятного машинам.
Машинный интеллект (Machine intelligence) — это раздел компьютерных наук, занимающийся воспроизведением или имитацией человеческого интеллекта, самосознания, знаний, мышления в компьютерных программах. Это также обобщающий термин для различных типов алгоритмов обучения, включая машинное обучение и глубокое обучение.
Машинный перевод (Machine Translation) – это раздел компьютерной лингвистики, с использованием программного обеспечения для перевода текста или речи с одного языка на другой. [[49 - Машинный перевод [Электронный ресурс] //towardsdatascience.com URL: https://towardsdatascience.com/machine-translation-a-short-overview-91343ff39c9f (https://towardsdatascience.com/machine-translation-a-short-overview-91343ff39c9f) (дата обращения: 07.07.2022)]]
Машинный разум (Machine intelligence) – это общий термин, охватывающий машинное обучение, глубокое обучение и классические алгоритмы обучения.
Машины опорных векторов или сети опорных векторов(Support-vector machines, Support-vector networks) – это контролируемые модели обучения с соответствующими алгоритмами обучения, которые анализируют данные для классификации и регрессионного анализа. Разработаны в AT&T Bell Laboratories Владимиром Вапником с коллегами в 1992 году. Машины опорных векторов являются одним из самых надежных методов прогнозирования, основанным на статистическом обучении или теории теории Вапника – Червоненкиса, предложенной Вапником (1982, 1995) и Червоненкисом (1974). Учитывая набор обучающих примеров, каждый из которых помечен как принадлежащий к одной из двух категорий, алгоритм обучения машины опорных векторов строит модель, которая относит новые примеры к той или иной категории, превращая ее в невероятностный двоичный линейный классификатор (хотя методы такие как масштабирование Платта, существуют для использования машин опорных векторов в вероятностной классификации). Машины опорных векторов сопоставляют обучающие примеры с точками в пространстве, чтобы максимизировать ширину разрыва между двумя категориями. Затем новые примеры сопоставляются с тем же пространством, и их принадлежность к категории определяется в зависимости от того, на какую сторону разрыва они попадают. В дополнение к выполнению линейной классификации SVM могут эффективно выполнять нелинейную классификацию, используя так называемый трюк ядра, неявно отображая свои входные данные в многомерные пространства признаков. Когда данные не размечены, обучение с учителем невозможно, и требуется подход к обучению без учителя, который пытается найти естественную кластеризацию данных в группы, а затем сопоставляет новые данные с этими сформированными группами. Алгоритм кластеризации опорных векторов, созданный Хавой Зигельманн и Владимиром Вапником, применяет статистику опорных векторов, разработанную в алгоритме машин опорных векторов, для категоризации неразмеченных данных.
Международный фонетический алфавит (МФА) ((PA (International Phonetic Alphabet)) – это система фонетической записи, основанная на латинском алфавите, разработанная Международной фонетической ассоциацией в качестве стандартизированного представления звуков разговорной речи.
Мероприятия по информатизации (Informatization activities) – это предусмотренные мероприятия программ цифровой трансформации государственных органов, направленные на создание, развитие, эксплуатацию или использование информационно-коммуникационных технологий, а также на вывод из эксплуатации информационных систем и компонентов информационно-телекоммуникационной инфраструктуры.
Мероприятия программы цифровой трансформации, осуществляемые государственным органом (Measures of the digital transformation program carried out by a state body) – это объединенная единой целью совокупность действий государственного органа, в том числе мероприятий по информатизации, направленных на выполнение задач по оптимизации административных процессов предоставления государственных услуг и (или) исполнения государственных функций, созданию, развитию, вводу в эксплуатацию, эксплуатации или выводу из эксплуатации информационных систем или компонентов информационно-коммуникационных технологий, нормативно-правовому обеспечению указанных процессов или иных задач, решаемых в рамках цифровой трансформации.
Метаданные(Metadata) – это термин, который относится к структурированным данным. Метаданные – это старая концепция (например, карточные каталоги и указатели), но метаданные часто необходимы для того, чтобы цифровой контент был полезным и значимым. Метаданные могут собирать общую или конкретную информацию о цифровом контенте, которая может определять административные, технические или структурные характеристики цифрового контента. «Метаданные сохранения» – это термин для более широкого набора метаданных, которые документируют жизненный цикл цифрового контента от создания до обработки, хранения, сохранения и использования с течением времени. Сохранение метаданных требуется на совокупном уровне (например, на уровне коллекции и исследования) и на уровне элемента (например, на уровне файла и переменной). Например, все действия по сохранению, применяемые к цифровому контенту с течением времени, должны фиксироваться в метаданных сохранения. Словарь данных «Стратегии внедрения метаданных сохранения» (PREMIS) – это разработка сообщества цифрового сохранения, которая движется к тому, чтобы стать стандартом. Существуют дополнительные специфичные для формата (например, словарь данных неподвижных изображений NISO) и другие стандарты, определяющие дополнительные метаданные для сохранения. ICPSR подготавливает запись метаданных для каждой коллекции данных, и мы представляем доступную для поиска базу данных записей метаданных на нашем общедоступном веб-сайте. ICPSR определил набор элементов метаданных на уровне файлов для сохранения. Инициатива ICPSR по улучшению процессов включает идентификацию метаданных на каждом этапе конвейера.
Мета-обучение (Meta-learning) – является одним из наиболее активных направлений исследований в области глубокого обучения, подмножеством машинного обучения, которое обнаруживает или улучшает алгоритм обучения. Система мета-обучения также может быть направлена на обучение модели быстрому освоению новой задачи на основе небольшого объема данных или опыта, полученного в предыдущих задачах. В контексте систем ИИ, метаобучение можно определить, как способность приобретать универсальность знаний. Путь к универсальности знаний предполагает от агентов ИИ «Учиться учиться». Основные типы метаобучающихся моделей: Мета-обучение несколько выстрелов; Оптимизатор мета-обучения; Метрическое мета-обучение; Рекуррентная модель мета-обучения [[50 - Мета-обучение [Электронный ресурс] www.machinelearningmastery.ru URL: https://www.machinelearningmastery.ru/learning-to-learn-a-gentle-introduction-to-meta-learning-4befb76da91a/ (https://www.machinelearningmastery.ru/learning-to-learn-a-gentle-introduction-to-meta-learning-4befb76da91a/) (дата обращения: 07.07.2022)]].
Метаэвристика (Metaheuristic) – это процедура и эвристика более высокого уровня, предназначенная для поиска, генерации или эвристики, которая может обеспечить достаточно хорошее решение задачи оптимизации, особенно при неполной или несовершенной информации, или ограниченной вычислительной мощности. Метаэвристика отбирает подмножество решений, которое в другом случае слишком велико, чтобы его можно было полностью перечислить или исследовать каким-либо иным образом.
Метка или разметка (Label) – это разметка данных перед тем, как их использовать в системах машинного обучения. Эти метки могут быть в виде слов или цифр. Чтобы сделать данные понятными или в удобочитаемой форме, обучающие данные часто помечаются метками – словами.
Метод k-средних (K-means) – это наиболее популярный метод кластеризации. Был изобретён в 1950-х годах математиком Гуго Штейнгаузом и почти одновременно Стюартом Ллойдом. Кластеризация K-средних один из самых простых и популярных алгоритмов машинного обучения без учителя. Как правило, неконтролируемые алгоритмы делают выводы из наборов данных, используя только входные векторы, не обращаясь к известным или помеченным результатам.
Метод Монте-Карло (Monte Carlo Methods) – это метод многократного имитационного моделирования вероятностей, представляет собой математический метод, с помощью которого можно оценить возможные результаты неопределенного события. Метод Монте-Карло был изобретен Джоном фон Нейманом и Станиславом Уламом во время Второй мировой войны с целью улучшения процесса принятия решений в условиях неопределенности. Название методу дал известный своими казино город в Монако, поскольку в основе данного подхода к моделированию лежит принцип генерации случайных чисел, применяемый в рулетке.
Метод обратного распространения ошибки (Error backpropagation) – это метод вычисления градиента, который используется при обновлении весов многослойного перцептрона. Впервые метод был описан в 1974 г. А. И. Галушкиным. Метод включает в себя большое количество итерационных циклов с обучающими данными.
Метод ядра (Kernel method). В машинном обучении – этот метод представляет собой класс алгоритмов для анализа шаблонов, наиболее известным из которых является машина опорных векторов (SVM). Общая задача анализа шаблонов состоит в том, чтобы найти и изучить общие типы отношений (например, кластеры, ранжирование, главные компоненты, корреляции, классификации) в наборах данных.
Метод COBWEB (COBWEB) – это классический метод инкрементальной концептуальной кластеризации, который был изобретен профессором Дугласом Фишером в 1987 году. В отличие от традиционной кластеризации, которая обнаруживает группы схожих объектов на основе меры сходства между ними, концептуальная кластеризация определяет кластеры как группы объектов, относящейся к одному классу или концепту – определённому набору пар «атрибут-значение». Алгоритм COBWEB создаёт иерархическую кластеризацию в виде дерева классификации: каждый узел этого дерева ссылается на концепт и содержит вероятностное описание этого концепта.
Методология разработки и операции (DevOps development & operations) – это набор методик, инструментов и философия культуры, которые позволяют автоматизировать и интегрировать между собой процессы команд разработки ПО и ИТ-команд. Особое внимание в DevOps уделяется расширению возможностей команд, их взаимодействию и сотрудничеству, а также автоматизации технологий. Под термином DevOps также понимают особый подход к организации команд разработки. Его суть в том, что разработчики, тестировщики и администраторы работают в едином потоке – не отвечают каждые за свой этап, а вместе работают над выходом продукта и стараются автоматизировать задачи своих отделов, чтобы код переходил между этапами без задержек. В DevOps ответственность за результат распределяется между всей командой [[51 - Методология разработки и операции ps [Электронный ресурс] www.atlassian.com URL: https://www.atlassian.com/ru/devops (https://www.atlassian.com/ru/devops) (дата обращения: 07.07.2022)],[52 - Методология разработки и операции [Электронный ресурс] //mcs.mail.ru URL: https://mcs.mail.ru/blog/chto-takoe-metodologiya-devops (https://mcs.mail.ru/blog/chto-takoe-metodologiya-devops) (дата обращения: 07.07.2022)]].
Методы эвристического поиска (Heuristic search techniques) – это методы, которые сужают поиск оптимальных решений проблемы за счет исключения неверных вариантов
Методы эвристического поиска (Heuristic search techniques) – это методика, которая сужает поиск оптимальных решений проблемы, исключая неверные варианты. [[53 - Методы эвристического поиска [Электронный ресурс] //intuit.ru URL: https://intuit.ru/studies/professional_skill_improvements/1574/courses/507/lecture/ (https://intuit.ru/studies/professional_skill_improvements/1574/courses/507/lecture/) (дата обращения: 07.07.2022)]]
Метрика (Metric) – это функция в задачах машинного обучения для оценки качества моделей и сравнения различных алгоритмов машинного обучения. [[54 - Метрика [Электронный ресурс] www.machinelearningmastery.ru URL: https://www.machinelearningmastery.ru/20-popular-machine-learning-metrics-part-1-classification-regression-evaluation-metrics-1ca3e282a2ce/ (https://www.machinelearningmastery.ru/20-popular-machine-learning-metrics-part-1-classification-regression-evaluation-metrics-1ca3e282a2ce/) (дата обращения: 07.07.2022)]]
Метрика справедливости (Fairness metric) – это математическое определение «справедливости», которое поддается измерению. Многие показатели справедливости являются взаимоисключающими.
