Що таке THE TRAINING DATA Українською - Українська переклад

• тренувальних даних
• навчальних даних
• дані навчання
• тренувальні дані
• навчальні дані

Приклади вживання The training data Англійська мовою та їх переклад на Українською

The red points represent the training data.
Червоні точки представляють дані тренувального набору.

Also, items not seen in the training data will be given a probability of 0.0 without smoothing.
Крім того, елементи які не з'являлись в навчальних даних отримають ймовірність 0. 0 без згладжування.

As it turned out, the operator mistakenly entered the training data identified as real.
Як потім виявилося, оператор помилково ввів навчальні дані, які система ідентифікувала як реальні.

These algorithms try to directly optimize the value of one of the above evaluation measures, averaged over all queries in the training data.
Ці алгоритми намагаються безпосередньо оптимізувати значення однієї з наведених вище оціночних метрик, усереднених по всіх запитах в навчальних даних.

In this case, it is assumed that each query-document pair in the training data has a numerical or ordinal score.
У цьому випадку передбачається, що кожна пара запит-документ у навчальних даних має числову або порядкову оцінку.

DNNs are prone to overfitting because of the added layers of abstraction, which allow them to model rare dependencies in the training data.
ГНМ схильні до перенавчання із-за доданих шарів абстракції, що дозволяють їм моделювати рідкісні залежності в тренувальних даних.

Past that point, however, improving the learner's fit to the training data comes at the expense of increased generalization error.
Але в якийсь момент поліпшення пристосування до навчальних даних вже відбувається за рахунок посилення помилки узагальнення.

This causes the network to almost always learn to reconstruct the average of all the training data.
Це означає, що мережа майже завжди навчатиметься відбудови усереднення всіх тренувальних даних.

However, its efficacy is determined not by its performance on the training data but by its ability to perform well on unseen data..
Проте її ефективність визначається не її продуктивністю на тренувальних даних, а її здатністю працювати добре на даних небачених.

A typical machine-learning program will try to maximize overall prediction accuracy for the training data.
Типова програма машинного навчання намагатиметься максимізувати загальну точність передбачення для тренувальних даних.

A computer with implemented AI will not only collect all the training data but is also going to record pilot behaviour during the training..
Комп'ютер з реалізованим штучним інтелектом буде не тільки збирати всі дані навчання, але також буде записувати поведінку пілота під час навчання..

The ranking model's purpose is to rank, i.e. produce a permutation of items in new, unseen lists in a way which is"similar" to rankings in the training data in some sense.
Метою моделі ранжування полягає у присвоєнні рангу, тобто, у проведенні перестановки елементів з метою створення нових списків, які"подібні" до рейтингів у навчальних даних в певному сенсі.

This step is simplified by separating the training data in a new series called"test data" that we will use to measure the error rate.
Цей крок є спрощеним шляхом відділення підготовки даних у новій серії під назвою«перевірка даних, які ми будемо використовувати для вимірювання частоти помилок».

Such methods update the learner so as to make it better fit the training data with each iteration.
Такі методи оновлюють поточний стан так, щоб він краще відповідав навчальним даним з кожною ітерацією.

If the training data is linearly separable, we can select two parallel hyperplanes that separate the two classes of data, so that the distance between them is as large as possible.
Якщо тренувальні дані є лінійно роздільними, то ми можемо обрати дві паралельні гіперплощини, які розділяють два класи даних таким чином, що відстань між ними є якомога більшою.

A common scoring function is posterior probability of the structure given the training data, like the BIC or the BDeu.
Поширеною оцінковою функцією є апостеріорна ймовірність структури за заданих тренувальних даних, така як БІК або BDeu.

While the green line best follows the training data, it is too dependent on that data and it is likely to have a higher error rate on new unseen data, compared to the black line.
В той час як зелена лінія найкраще слідує тренувальним даним, вона занадто залежить від них, і, ймовірно, матиме вищий рівень похибки на нових небачених даних у порівнянні з чорною лінією.

When only judging Transformer on its ability to answer questions that utilized numbers seen in the training data, its accuracy shot up to 76 percent.
Коли тільки судять Трансформер про його здатність відповідати на запитання, які використовували цифри, що бачили в тренувальних даних, то його точність знімалася до 76 відсотків.

If the training data are linearly separable, we can select two hyperplanes in such a way that they separate the data and there are no points between them, and then try to maximize their distance.
Якщо тренувальні дані лінійно відокремлюються, ми можемо вибрати дві гіперплощини таким чином, щоб вони розділяли дані, а між ними не було точок, а потім намагалися максимально збільшити відстань між ними.

It became known that they are developing an algorithmwhich automatically relieves the training data sets from photographs that can lead to an error in recognizing people with dark skin.
Стало відомо, що вони розробляють алгоритм, який автоматично позбавляє набори навчальних даних від фотографій, які можуть привести до помилки при розпізнаванні людей з темною шкірою.

The training data had been amassed by Jordan Green and Tiffany Hogan, researchers at the MGH Institute of Health Professions, who were interested in developing more objective methods for assessing results of the storytelling test.
Навчальні дані були накопичив Джордан Грін і Тіффані Хоган, дослідники з Інституті Центральної лікарні штату Массачусетс охорони здоров'я Професії, які були зацікавлені в розробці більш об'єктивних методів оцінки результатів тесту оповідає.

Analogously, the model produced by SVR depends only on a subset of the training data, because the cost function for building the model ignores any training data close to the model prediction.
Аналогічно, модель, яка виробляється опорно-векторною регресією, залежить лише від підмножини тренувальних даних, оскільки функція втрат для побудови моделі ігнорує будь-які тренувальні дані, близькі до передбачення моделі.

(Essentially you give the ML system a bunch of questions along with the correct answers and have it tune itself until it gets a great score.) Serious model builders leave some of the training data out, and then use it to validate the model, in parallel with training..
(По суті, ви даєте системі ML купу запитань разом з правильними відповідями і налаштуєте себе, доки не отримаєте чудовий бал.) Серйозні модельєнти виводять деякі з даних навчання, а потім використовують їх для перевірки моделі в паралельно з тренуванням.

For example, if the task were determining whether an image contained a certain object, the training data for a supervised learning algorithm would include images with and without that object(the input), and each image would have a label(the output) designating whether it contained the object.
Наприклад, якби завдання визначали, чи містить зображення певний об'єкт, дані навчання алгоритму керованого навчання включатимуть зображення з цим об'єктом та без нього(вхід), і кожне зображення матиме мітку(вихід), що позначає, чи в ній містився предмет.

Overfitting is especially likely in cases where learning was performed too long or where training examples are rare, causing the learner to adjust to very specific random features of the training data, that have no causal relation to the target function.
Перенавчання є особливо ймовірним в тих випадках, коли навчання виконувалося занадто довго, або коли тренувальні зразки є рідкісними, що спричиняє пристосовування до дуже особливих випадкових ознак тренувальних даних, які не мають причинного взаємозв'язку[en] з цільовою функцією[en].

As data is entered, the system includes new rules; if we consider that this data can generalize the training data information, then we have to evaluate the system development and measure the system's ability to correctly predict the categories of new information.
По мірі введення даних, система включає в себе нові правила: якщо ми вважаємо, що ці дані можуть узагальнити навчальні дані, то ми повинні оцінити системи розвитку та виміряти здатність системи правильно прогнозувати категорій нової інформації.

Machine learning and data mining often employ the same methods and overlap significantly, but while machine learning focuses on prediction, based on known properties learned from the training data, data mining focuses on the discovery of(previously) unknown properties in the data(this is the analysis step of knowledge discovery in databases).
Машинне навчання та добування даних часто використовують одні й ті ж методи, і значно перекриваються, але в той час як машинне навчання фокусується на передбаченні на основі відомих властивостей, вивчених з тренувальних даних, добування даних фокусується на відкритті невідомих(раніше) властивостей даних(це є кроком аналізу з відкривання знань у базах даних)..

As an extreme example, if the number of parameters is the same as or greater than the number of observations, a simple model or learning process can perfectly predict the training data simply by memorizing the training data in its entirety, but such a model will typically fail drastically when making predictions about new or unseen data, since the simple model has not learned to generalize at all.
Як крайній приклад, якщо число параметрів є таким же, або більшим, як число спостережень, то проста модель або процес навчання може відмінно передбачувати тренувальні дані, просто запам'ятовуючи їх повністю, але така модель зазвичай зазнаватиме рішучої невдачі при здійсненні передбачень про нові або небачені дані, оскільки ця проста модель взагалі не навчилася узагальнювати.