Indeks · 277 haseł
Wszystkie hasła od A do Z
Każde hasło Atlasu w kolejności alfabetycznej. Wpisz kilka liter, żeby zawęzić listę.
A
B
C
D
E
F
G
H
I
J
K
- K-means
- K-średnich czy DBSCAN
- Kalibracja modelu
- Katastrofalne zapominanie
- Klasteryzacja hierarchiczna
- Klasteryzacja spektralna
- Klątwa zwycięzcy
- Kodowanie pozycyjne
- Kodowanie zmiennych kategorycznych
- Kompromis obciążenie–wariancja
- Korelacja pozorna (spurious correlation)
- Korelacja to nie przyczynowość
- Kowariancja i korelacja
- Krajobraz funkcji straty
- Krzywa precyzja–recall
- Krzywe uczenia
- Krzywe walidacyjne
- Kwantyzacja i destylacja modeli
- Kwartet Anscombe’a
L
- Las losowy
- Las losowy czy gradient boosting
- Learning rate (współczynnik uczenia)
- LIME — lokalne wyjaśnienia prognoz
- Liniowa analiza dyskryminacyjna (LDA) i QDA
- Lokalna CV a ranking publiczny
- LoRA i dostrajanie parametrooszczędne
- Losowy seed i szczęśliwa inicjalizacja
- LSTM i GRU
- Łańcuch myśli (chain-of-thought)
M
- Macierz pomyłek
- Macierze jako przekształcenia
- Mały zbiór treningowy i 100% trafności
- Martwe neurony ReLU i nasycenie
- Maszyna wektorów nośnych (SVM)
- Mądrość tłumu i twierdzenie Condorceta
- Mechanizm uwagi (attention)
- Metoda k najbliższych sąsiadów (kNN)
- Metoda najmniejszych kwadratów
- Metoda największej wiarygodności
- Metryki dla wielu klas
- Metryki regresji: MAE, RMSE, R²
- Miara F1
- Mieszanina gaussowska i algorytm EM
- Mieszanka ekspertów (MoE)
- Mini-batch i rozmiar batcha
- Minimum lokalne i globalne
- Modele bazowe
- Modele dyfuzyjne
- Monitoring i dryf danych
N
O
P
- Paradoks Berksona
- Paradoks dokładności
- Paradoks Moraveca
- Paradoks Simpsona
- Paradoks Steina
- PCA, t-SNE czy UMAP
- Perceptron (sztuczny neuron)
- Perceptron wielowarstwowy (MLP)
- Perpleksja (perplexity)
- Pipeline w scikit-learn
- Pochodna
- Podstawy prawdopodobieństwa
- Podwójne zejście (double descent)
- Podział na zbiór treningowy i testowy
- Pojemność sieci neuronowej
- Połączenia rezydualne (ResNet)
- Pooling, krok i dopełnienie
- Powtarzalność eksperymentów ML
- Prawa skalowania modeli
- Prawdopodobieństwo warunkowe
- Prawo Benforda
- Prawo Goodharta
- Prawo małych liczb
- Prawo wielkich liczb
- Prawo Zipfa
- Precyzja czy recall — co ważniejsze
- Precyzja i recall
- Predykcja konformalna
- Pretrening modeli językowych
- Problem wielokrotnych porównań
- Problem wielorękiego bandyty
- Problem XOR
- Proces decyzyjny Markowa (MDP)
- Prompting — jak pisać polecenia
- Propagacja wsteczna (backpropagation)
- Próbkowanie i błąd standardowy
- Próg decyzji
- Przebieg projektu uczenia maszynowego
- Przedział ufności
- Przejście w przód (forward pass)
- Przekleństwo wymiarowości
- Przeuczenie do tablicy wyników
- Przeuczenie i niedouczenie
- Przeuczenie modelu — lista kontrolna
- Przewidywanie następnego tokenu
- Przycinanie drzew decyzyjnych
- Przykłady kontradyktoryjne
- Pułapki metody k-średnich
- Pułapki PCA
Q
R
- RAG — generowanie z wyszukiwaniem
- Recall (czułość)
- Regresja do średniej
- Regresja grzbietowa i lasso
- Regresja kwantylowa
- Regresja liniowa
- Regresja logistyczna
- Regresja logistyczna czy drzewo decyzyjne
- Regresja procesem gaussowskim
- Regresja wielomianowa
- Regularyzacja (L2, dropout, early stopping)
- Regularyzacja L1 czy L2
- Reguła łańcuchowa
- Rekurencyjna sieć neuronowa (RNN)
- RLHF i DPO — uczenie z preferencji
- RNN, LSTM czy transformer
- ROC AUC (pole pod krzywą ROC)
- ROC AUC czy PR AUC
- Rozkład normalny
- Rozkład według wartości osobliwych (SVD)
- Równanie Bellmana i iteracja wartości
S
- Samouwaga (self-attention)
- Selekcja cech
- Selekcja na szumnym pomiarze
- SGD czy Adam — który optymalizator
- Sieć konwolucyjna (CNN)
- Skalowanie cech (standaryzacja)
- SMOTE i resampling klas
- Softmax
- Splot (konwolucja)
- Sprawiedliwość i stronniczość modeli
- Statystyki opisowe
- Strojenie hiperparametrów
- Szerokość warstwy
- Sztuczka jądrowa
- Szum w etykietach
- Śmieci na wejściu, śmieci na wyjściu
T
- t-SNE — mapy danych w 2D
- Temperatura i próbkowanie w LLM
- Test chi-kwadrat niezależności
- Test t i ANOVA
- Testowanie hipotez i wartość p
- Testy A/B
- Tokenizacja i BPE
- Trafność czy zbalansowana trafność
- Transformer
- Twierdzenie „nie ma darmowego lunchu”
- Twierdzenie Bayesa
- Twierdzenie Covera
- Twierdzenie o uniwersalnej aproksymacji
- Twierdzenie o zbieżności perceptronu
- Typy danych w uczeniu maszynowym
U
W
- Wagi klas
- Walidacja krzyżowa
- Warianty walidacji krzyżowej
- Warstwa ukryta
- Wartości SHAP
- Wartość oczekiwana i wariancja
- Ważność permutacyjna cech
- Wczesne zatrzymanie (early stopping)
- Wdrożenie modelu ML
- Wektory i przestrzenie wektorowe
- Wektory i wartości własne
- Wnioskowanie bayesowskie
- Wnioskowanie przyczynowe
- Wpływ cechy
- Współczynnik Matthewsa (MCC) i kappa Cohena
- Współczynnik silhouette
- Współliniowość i VIF
- Wszystkie modele są błędne
- Wyciek danych (data leakage)
- Wykrywanie anomalii
- Wykrywanie wartości odstających
- Wymiar Vapnika–Czerwonenkisa (VC)
- Wyszukiwanie wektorowe
- Wzmacnianie gradientowe
X
Z
- Zależność częściowa i krzywe ICE
- Zanikający i eksplodujący gradient
- Zapaść modelu (model collapse)
- Zasada Pareto (80/20)
- Zbalansowana trafność (balanced accuracy)
- Zbiór treningowy
- Zbiór treningowy, walidacyjny i testowy
- Zbiór walidacyjny
- Zdolności emergentne modeli
- Zespoły modeli i stacking
- Zjawisko Hughesa
- Złudzenie trafności treningowej
- Zmienne losowe i rozkłady
- Zysk informacyjny i gain podziału