Procházet veškerý obsah v kategorii Glossary
Parafrázování v komunikaci je dovednost převyprávět sdělení druhé osoby vlastními slovy při zachování původního významu. Zajišťuje srozumitelnost, podporuje porozumění a je vylepšeno AI nástroji, které efektivně nabízejí alternativní vyjádření.
Parameter-Efficient Fine-Tuning (PEFT) je inovativní přístup v AI a zpracování přirozeného jazyka (NLP), který umožňuje přizpůsobit velké předtrénované modely konkrétním úlohám úpravou pouze malé části jejich parametrů. Tím snižuje výpočetní náklady a dobu trénování pro efektivní nasazení.
Prozkoumejte, jak partnerství v oblasti AI mezi univerzitami a soukromými firmami podporují inovace, výzkum a rozvoj dovedností spojením akademických znalostí s průmyslovou praxí. Zjistěte klíčové vlastnosti, přínosy, výzvy a příklady úspěšné spolupráce z reálného světa.
Pathways Language Model (PaLM) je pokročilá rodina velkých jazykových modelů od Googlu, navržená pro všestranné využití jako je generování textu, logické úlohy, analýza kódu a vícejazyčný překlad. PaLM, postavený na iniciativě Pathways, vyniká výkonem, škálovatelností a zodpovědným přístupem k AI.
Perplexity AI je pokročilý vyhledávač poháněný umělou inteligencí a konverzační nástroj, který využívá NLP a strojové učení k poskytování přesných, kontextových odpovědí s odkazy na zdroje. Ideální pro výzkum, vzdělávání i profesionální využití, integruje více velkých jazykových modelů a zdrojů pro přesné a aktuální získávání informací.
Personalizovaný marketing s využitím AI využívá umělou inteligenci k přizpůsobení marketingových strategií a komunikace jednotlivým zákazníkům na základě jejich chování, preferencí a interakcí, což zvyšuje zapojení, spokojenost a míru konverze.
Pipeline strojového učení je automatizovaný pracovní postup, který zefektivňuje a standardizuje vývoj, trénování, vyhodnocování a nasazení modelů strojového učení, přeměňující surová data na využitelné poznatky efektivně a ve velkém měřítku.
Plocha pod křivkou (AUC) je základní metrika ve strojovém učení používaná k hodnocení výkonnosti binárních klasifikačních modelů. Kvantifikuje celkovou schopnost modelu rozlišovat mezi pozitivními a negativními třídami výpočtem plochy pod křivkou ROC (Receiver Operating Characteristic).
Plotly je pokročilá open-source knihovna pro tvorbu interaktivních, publikačně kvalitních grafů online. Je kompatibilní s Pythonem, R a JavaScriptem a umožňuje uživatelům vytvářet komplexní datové vizualizace s podporou široké škály typů grafů, interaktivity a integrace do webových aplikací.
Pocit lítosti po nákupu je psychologický jev, kdy jedinec zažívá lítost, úzkost nebo nespokojenost po uskutečnění nákupu. Prozkoumejte příčiny, psychologické aspekty, dopady na podnikání a roli AI v předvídání a zmírnění pocitu lítosti po nákupu.
Počítačové vidění je oblast umělé inteligence (AI), která se zaměřuje na to, aby počítače dokázaly interpretovat a chápat vizuální svět. Díky využití digitálních obrázků z kamer, videí a modelů hlubokého učení mohou stroje přesně identifikovat a klasifikovat objekty a následně reagovat na to, co „vidí“.
Polouzívané učení (SSL) je technika strojového učení, která využívá jak označená, tak neoznačená data k trénování modelů, což je ideální v případech, kdy je označování všech dat nepraktické nebo nákladné. Kombinuje výhody učení s učitelem a bez učitele, aby zlepšilo přesnost a zobecnitelnost modelů.
Porozumění přirozenému jazyku (NLU) je podobor AI zaměřený na to, aby stroje chápaly a interpretovaly lidský jazyk v kontextu, čímž překračuje základní zpracování textu a dokáže rozpoznat záměr, sémantiku a nuance – například pro chatboty, analýzu sentimentu nebo strojový překlad.
Procesy certifikace AI jsou komplexní hodnocení a ověřování navržená tak, aby zajistila, že systémy umělé inteligence splňují předem stanovené standardy a regulace. Tyto certifikace slouží jako měřítka pro hodnocení spolehlivosti, bezpečnosti a etické shody AI technologií.
Ve světě LLM je prompt vstupní text, který řídí výstup modelu. Naučte se, jak efektivní prompty, včetně technik zero-, one-, few-shot a chain-of-thought, zlepšují kvalitu odpovědí v jazykových modelech AI.
Prompt engineering je praxe navrhování a vylepšování vstupů pro generativní AI modely s cílem dosáhnout optimálních výstupů. Zahrnuje vytváření přesných a efektivních promptů, které vedou AI k generování textů, obrázků nebo jiných forem obsahu splňujících konkrétní požadavky.
Průzkumná analýza dat (EDA) je proces, který shrnuje charakteristiky datové sady pomocí vizuálních metod za účelem odhalení vzorců, detekce anomálií a podpory čištění dat, volby modelu a analýzy s využitím nástrojů jako Python, R a Tableau.
Předpisy o ochraně osobních údajů jsou právní rámce, politiky a standardy, které chrání osobní data, řídí jejich zpracování a zabezpečují práva na ochranu soukromí jednotlivců po celém světě. Zajišťují soulad s předpisy, předcházejí neoprávněnému přístupu a chrání práva subjektů údajů v digitálním věku.
Přepis audia je proces převodu mluveného jazyka z audio nahrávek do psaného textu, díky čemuž jsou projevy, rozhovory, přednášky a další audio formáty přístupné a vyhledatelné. Pokroky v AI zlepšily přesnost a efektivitu přepisu a podporují odvětví médií, akademické sféry, práva a tvorby obsahu.
Zjistěte, co je přepisovač odstavců, jak funguje, jeho klíčové vlastnosti a jak může zlepšit kvalitu psaní, pomoci vyhnout se plagiátorství a podpořit SEO pomocí pokročilých jazykových technik.
Objevte, co je AI přepisovač vět, jak funguje, jeho použití a jak pomáhá spisovatelům, studentům a marketérům přeformulovat text při zachování významu a zlepšení srozumitelnosti.
Objevte význam přesnosti a stability AI modelu ve strojovém učení. Zjistěte, jak tyto metriky ovlivňují aplikace jako detekce podvodů, lékařská diagnostika a chatboti, a prozkoumejte techniky pro zvýšení spolehlivého výkonu AI.
Přeučení je klíčový pojem v oblasti umělé inteligence (AI) a strojového učení (ML), vyskytující se tehdy, když se model naučí trénovací data příliš dobře, včetně šumu, což vede ke špatné generalizaci na nová data. Zjistěte, jak přeučení rozpoznat a zabránit mu pomocí efektivních technik.
V AI je 'příkop' udržitelnou konkurenční výhodou – například úsporami z rozsahu, síťovými efekty, proprietární technologií, vysokými náklady na změnu a datovými příkopy – která pomáhá firmám udržet si vedoucí postavení na trhu a odrazovat konkurenci.
PyTorch je open-source framework strojového učení vyvinutý týmem Meta AI, známý svou flexibilitou, dynamickými výpočetními grafy, akcelerací na GPU a bezproblémovou integrací s Pythonem. Je široce využíván pro hluboké učení, počítačové vidění, zpracování přirozeného jazyka a výzkumné aplikace.
Q-learning je základní pojem v oblasti umělé inteligence (AI) a strojového učení, zejména v rámci posilovaného učení. Umožňuje agentům učit se optimální akce prostřednictvím interakce a zpětné vazby ve formě odměn nebo trestů, čímž se v průběhu času zlepšuje rozhodování.
Prozkoumejte recall ve strojovém učení: klíčovou metriku pro hodnocení výkonnosti modelu, zejména v klasifikačních úlohách, kde je důležité správně identifikovat pozitivní případy. Seznamte se s jeho definicí, výpočtem, významem, příklady použití a strategiemi pro zlepšení.
Redukce dimenzionality je klíčová technika při zpracování dat a strojovém učení, která snižuje počet vstupních proměnných v datové sadě a zároveň zachovává podstatné informace, což zjednodušuje modely a zvyšuje jejich výkon.
Regulační rámce pro AI jsou strukturované směrnice a právní opatření navržené k řízení vývoje, nasazení a používání technologií umělé inteligence. Tyto rámce mají zajistit, aby systémy AI fungovaly eticky, bezpečně a v souladu se společenskými hodnotami. Zaměřují se na oblasti jako ochrana osobních údajů, transparentnost, odpovědnost a řízení rizik, čímž podporují odpovědnou inovaci v oblasti AI a zároveň minimalizují potenciální rizika.
Regularizace v oblasti umělé inteligence (AI) označuje soubor technik používaných k prevenci přeučení (overfittingu) strojově učených modelů zaváděním omezení během tréninku, což umožňuje lepší zobecnění na neznámá data.
Reinforcement Learning (RL) je podmnožina strojového učení zaměřená na trénování agentů, kteří činí sekvence rozhodnutí v prostředí a učí se optimálnímu chování prostřednictvím zpětné vazby ve formě odměn nebo trestů. Prozkoumejte klíčové pojmy, algoritmy, aplikace a výzvy RL.
Reinforcement Learning (RL) je metoda trénování modelů strojového učení, při které se agent učí rozhodovat prováděním akcí a získáváním zpětné vazby. Tato zpětná vazba, ve formě odměn nebo trestů, vede agenta k postupnému zlepšování výkonu. RL se široce využívá v oblasti her, robotiky, financí, zdravotnictví a autonomních vozidel.
Reinforcement Learning z lidské zpětné vazby (RLHF) je technika strojového učení, která zapojuje lidský vstup k usměrnění trénovacího procesu algoritmů posilovaného učení. Na rozdíl od tradičního posilovaného učení, které spoléhá pouze na předem definované odměny, RLHF využívá lidská hodnocení k formování a zpřesnění chování AI modelů. Tento přístup zajišťuje, že se AI lépe přibližuje lidským hodnotám a preferencím, což je obzvláště užitečné u složitých a subjektivních úloh.
Rekurentní neuronové sítě (RNN) jsou sofistikovanou třídou umělých neuronových sítí navržených pro zpracování sekvenčních dat využitím paměti předchozích vstupů. RNN vynikají v úlohách, kde je pořadí dat klíčové, včetně NLP, rozpoznávání řeči a predikce časových řad.
Rekurzivní promptování je technika v AI používaná s velkými jazykovými modely, jako je GPT-4, která umožňuje uživatelům postupně zpřesňovat výstupy prostřednictvím dialogu tam a zpět za účelem dosažení vyšší kvality a přesnějších výsledků.
Remote MCP (Model Context Protocol) je systém, který umožňuje AI agentům přistupovat k externím nástrojům, datovým zdrojům a službám prostřednictvím standardizovaných rozhraní hostovaných na vzdálených serverech. Díky tomu mohou AI modely interagovat se specializovanými funkcemi a informacemi mimo svá tréninková data, což rozšiřuje jejich možnosti při zachování bezpečnosti a flexibility.
Reporting o souladu je strukturovaný a systematický proces, který organizacím umožňuje dokumentovat a prezentovat důkazy o dodržování interních politik, oborových standardů a regulatorních požadavků. Zajišťuje řízení rizik, transparentnost a právní ochranu napříč různými odvětvími.
Retrieval Augmented Generation (RAG) je pokročilý AI framework, který kombinuje tradiční systémy pro vyhledávání informací s generativními velkými jazykovými modely (LLM), což umožňuje AI generovat text, který je přesnější, aktuálnější a kontextově relevantní díky integraci externích znalostí.
Robustnost modelu označuje schopnost modelu strojového učení (ML) zachovat konzistentní a přesný výkon i přes variace a nejistoty ve vstupních datech. Robustní modely jsou klíčové pro spolehlivé aplikace AI, zajišťují odolnost vůči šumu, odlehlým hodnotám, posunům distribuce a adversariálním útokům.
ROC křivka (Receiver Operating Characteristic) je grafické znázornění používané pro posouzení výkonnosti binárního klasifikačního systému při změně jeho rozhodovacího prahu. Pochází z teorie detekce signálu z období druhé světové války a dnes je ROC křivka klíčová v oblasti strojového učení, medicíny a AI pro hodnocení modelů.
ROUGE skóre je sada metrik používaných k hodnocení kvality strojově generovaných shrnutí a překladů porovnáním s lidskými referencemi. Široce používané v NLP, ROUGE měří překryv obsahu a recall, což pomáhá posuzovat systémy sumarizace a překladu.
Rozhodovací strom je výkonný a intuitivní nástroj pro rozhodování a prediktivní analýzu, používaný jak pro klasifikační, tak regresní úlohy. Jeho stromová struktura zajišťuje snadnou interpretovatelnost a široké využití v oblasti strojového učení, financí, zdravotnictví a dalších.
Rozhodovací strom je algoritmus učení s učitelem používaný pro rozhodování nebo předpovídání na základě vstupních dat. Je vizualizován jako stromová struktura, kde vnitřní uzly představují testy, větve představují výsledky a listové uzly představují třídy nebo hodnoty.
Rozpoznávání koreference je základní úloha zpracování přirozeného jazyka (NLP), která identifikuje a propojuje výrazy v textu odkazující na stejnou entitu, což je klíčové pro strojové porozumění v aplikacích jako sumarizace, překlad a odpovídání na otázky.
Zjistěte, co je rozpoznávání obrazu v AI. K čemu se používá, jaké jsou trendy a jak se liší od podobných technologií.
Rozpoznávání pojmenovaných entit (NER) je klíčovou podoblastí zpracování přirozeného jazyka (NLP) v AI, zaměřenou na identifikaci a klasifikaci entit v textu do předem definovaných kategorií, jako jsou osoby, organizace a místa, za účelem zlepšení analýzy dat a automatizace extrakce informací.
Rozpoznávání řeči, známé také jako automatické rozpoznávání řeči (ASR) nebo převod řeči na text, umožňuje počítačům interpretovat a převádět mluvený jazyk na psaný text. Pohání aplikace od virtuálních asistentů po nástroje pro zlepšení přístupnosti a mění způsob interakce mezi člověkem a strojem.
Rozpoznávání řeči, známé také jako automatické rozpoznávání řeči (ASR) nebo převod řeči na text, je technologie, která umožňuje strojům a programům interpretovat a přepisovat mluvený jazyk do psané podoby. Tato výkonná schopnost se liší od rozpoznávání hlasu, které identifikuje hlas konkrétního mluvčího. Rozpoznávání řeči se zaměřuje pouze na převod mluveného slova na text.
Rozpoznávání textu ve scéně (STR) je specializovaná oblast optického rozpoznávání znaků (OCR), zaměřená na identifikaci a interpretaci textu v obrazech pořízených v přirozených scénách pomocí AI a modelů hlubokého učení. STR umožňuje aplikace jako autonomní vozidla, rozšířená realita a infrastruktura chytrých měst tím, že převádí složitý, reálný text do strojově čitelných formátů.
Rozpoznávání vzorů je výpočetní proces identifikace vzorů a pravidelností v datech, klíčový v oblastech jako AI, informatika, psychologie a analýza dat. Automatizuje rozpoznávání struktur v řeči, textu, obrazech i abstraktních datech, což umožňuje inteligentní systémy a aplikace jako počítačové vidění, rozpoznávání řeči, OCR a detekci podvodů.
Rozšiřitelnost AI označuje schopnost systémů umělé inteligence rozšiřovat své dovednosti do nových domén, úloh a datových sad bez nutnosti rozsáhlého přeškolování, s využitím technik jako je transfer learning, multi-task learning a modulární návrh pro flexibilitu a bezproblémovou integraci.
Zjistěte základní informace o Rytr. Rychlý přehled klíčových funkcí, výhod a nevýhod a také alternativ.
Scikit-learn je výkonná open-source knihovna strojového učení pro Python, která poskytuje jednoduché a efektivní nástroje pro prediktivní analýzu dat. Je široce využívaná datovými vědci a odborníky na strojové učení a nabízí širokou škálu algoritmů pro klasifikaci, regresi, shlukování a další, s hladkou integrací do ekosystému Pythonu.
SciPy je robustní open-source knihovna Pythonu pro vědecké a technické výpočty. Na základě NumPy nabízí pokročilé matematické algoritmy, optimalizaci, integraci, práci s daty, vizualizaci a interoperabilitu s knihovnami jako Matplotlib a Pandas, což z ní činí nezbytný nástroj pro vědecké výpočty a analýzu dat.
Zjistěte, co je seed v AI umění, jak ovlivňuje proces generování obrázků a jak umělci využívají seedy pro konzistenci nebo kreativní zkoumání na generativních platformách.
Segmentace instancí je úloha počítačového vidění, která detekuje a vymezuje každý jednotlivý objekt na obrázku s přesností na úroveň pixelů. Poskytuje detailnější pochopení než detekce nebo sémantická segmentace objektů, což je zásadní pro obory jako je medicínské zobrazování, autonomní řízení a robotika.
Sémantická analýza je klíčová technika zpracování přirozeného jazyka (NLP), která interpretuje a odvozuje význam textu, což umožňuje strojům chápat jazykový kontext, sentiment i nuance pro lepší interakci s uživateli a obchodní vhledy.
Sémantická segmentace je technika počítačového vidění, která rozděluje obrázky do více segmentů a každému pixelu přiřazuje třídní štítek reprezentující objekt nebo oblast. Umožňuje detailní porozumění pro aplikace jako autonomní řízení, medicínské zobrazování a robotiku pomocí hlubokých modelů, jako jsou CNN, FCN, U-Net a DeepLab.
SEO skóre je číselné vyjádření toho, jak dobře webová stránka dodržuje osvědčené postupy SEO. Hodnotí technické aspekty, kvalitu obsahu, uživatelskou zkušenost a přizpůsobení pro mobilní zařízení. Porozumění a zlepšování svého SEO skóre je zásadní pro zvýšení viditelnosti vašeho webu ve výsledcích vyhledávačů.
Shrnutí textu je zásadní AI proces, který zhušťuje rozsáhlé dokumenty do stručných souhrnů při zachování klíčových informací a významu. Díky využití velkých jazykových modelů jako GPT-4 a BERT umožňuje efektivní správu a porozumění rozsáhlému digitálnímu obsahu pomocí abstraktních, extraktivních i hybridních metod.
