Archiwa: Słownik

Algorytm klasyfikacji szukający granicy (hiperpłaszczyzny) najlepiej oddzielającej klasy z maksymalnym marginesem. Skuteczny także dla danych o wielu wymiarach.

Miara tego, jak mocno przewidywania modelu zmieniają się przy różnych zbiorach treningowych. Wysoka wariancja zwykle wskazuje na przeuczenie.

Systematyczne błędy w wynikach modelu wynikające ze skrzywionych danych treningowych lub wadliwych algorytmów. Może prowadzić do niesprawiedliwych decyzji.

Odsetek prawidłowych wskazań wśród wszystkich przypadków, które model uznał za pozytywne. Odpowiada na pytanie: gdy model mówi „tak”, jak często ma rację?

Tabela podsumowująca wyniki klasyfikatora w czterech kategoriach: trafienia i pomyłki dla klas pozytywnej i negatywnej. Podstawa do liczenia precyzji i czułości.

Zestaw danych używany w trakcie treningu do oceny, jak model uogólnia poza dane treningowe. Pomaga wykryć przeuczenie i dobrać hiperparametry.

Etap użycia wytrenowanego modelu do generowania przewidywań lub wyników na nowych danych. To faza „działania” modelu po treningu.

Model nauczony wcześniej na dużym, ogólnym zbiorze danych, który można wykorzystać jako punkt wyjścia do dostrajania pod konkretne zadanie.

Podatność, w której atakujący manipuluje wejściem modelu, by skłonić go do niezamierzonych działań lub ujawnienia danych. Istotne zagrożenie bezpieczeństwa dla aplikacji opartych na LLM.

Reprezentacja danych (np. słów lub obrazów) w postaci ciągłych wektorów liczbowych. Pozwala modelom uchwycić podobieństwo i relacje semantyczne między elementami.