Що таке ПІДСИЛЮВАННЯ Англійською - Англійська переклад

• boosting

Приклади вживання Підсилювання Українська мовою та їх переклад на Англійською

Алгоритмів підсилювання існує багато.
Multiple boosting algorithms exist.

Фройнд та Шапіро 1997 року довели, що алгоритм, подібний до arc-fs, є підсилюванням.».
Freund and Schapire(1997) proved that an algorithm similar to arc-fs is boosting.

Алгоритмів підсилювання існує багато.
There are many boosting algorithms.

Алгоритм підсилювання- це метод, який бере слабкого учня, і перетворює його на сильного.
A boosting algorithm is a method that takes a weak learner and converts it into a strong learner.

Шапіро 1990 року довів, що підсилювання є можливим.
Schapire(1990) proved that boosting is possible.

Термін підсилювання стосується сімейства алгоритмів, здатних перетворювати слабких учнів на сильних»(англ.).
Boosting refers to a family of algorithms that are able to convert weak learners to strong learners.

Алгоритми, що швидко досягають підсилювання гіпотези, стали називати просто«підсилюванням».
Algorithms that achieve hypothesis boosting quickly became simply known as"boosting".

Термін підсилювання стосується сімейства алгоритмів, здатних перетворювати слабких учнів на сильних»(англ.).
The term boosting refers to a family of algorithms that are able to convert weak learners to strong learners.

Пакет R xgboost: втілення градієнтного підсилювання для лінійних моделей та моделей на основі дерев.
R package xgboost: An implementation of gradient boosting for linear and tree-based models.

Проте Шапіро та Фройнд потім розробили AdaBoost, адаптивний алгоритм підсилювання, який виграв престижну премію Геделя.
Schapire and Freund then developed AdaBoost, an adaptive boosting algorithm that won the prestigious Gödel Prize.

Основна відмінність між багатьма алгоритмами підсилювання полягає в їхніх методах зважування тренувальних точок даних та гіпотез.
The main variation between many boosting algorithms is their method of weighting training data points and hypotheses.

Weka- це набір інструментів машинного навчання, який пропонує різноманітні втілення алгоритмів підсилювання, таких як AdaBoost та LogitBoost.
Weka is a machine learning set of tools that offers variate implementations of boosting algorithms like AdaBoost and LogitBoost.

Це питання було названо задачею підсилювання, оскільки підсилювати низьку точність слабкого учня до високої точності сильного учня.
The question was termed the boosting problem since boost the low accuracy of a weak learner to the high accuracy of a strong learner.

З опису її проекту, вона має на меті забезпечити«Масштабовану Портативну та Розподілену Бібліотеку Градієнтного Підсилювання(GBM, GBRT, GBDT)».
From the project description, it aims to provide a"Scalable, Portable and Distributed Gradient Boosting(GBM, GBRT, GBDT) Library".

Коли її вперше було представлено, задача підсилювання гіпотези(англ. hypothesis boosting problem) означала просто процес перетворення слабкого учня на сильного.
When first introduced, the hypothesis boosting problem simply referred to the process of turning a weak learner into a strong learner.

Підсилювання ґрунтується на питанні, поставленому Кірнсом і Веліентом(1988, 1989): Чи може набір слабких учнів(англ. weak learners) утворити єдиного сильного учня(англ. strong learner)?
Boosting is based on the question posed by Kearns and Valiant(1988, 1989):"Can a set of weak learners create a single strong learner?"?

Це питання було названо задачею підсилювання, оскільки[розв'язок мусив] підсилювати низьку точність слабкого учня до високої точності сильного учня.
The question was termed the boosting problem since[a solution must] boost the low accuracy of a weak learner to the high accuracy of a strong learner.

Причому установка пасивного сабвуфера з метою поліпшення звучання вже наявних в салоні динаміків може зажадати повної заміни компонентів підсилювання.
Moreover, the installation of a passive subwoofer in order to improve the sound of existing speakers in the cabin may require a complete replacement of the amplifying components.

Застосування методів підсилювання для категоризації об'єктів є способом об'єднувати слабкі класифікатори спеціальним чином для підсилювання загальної здатності до категоризації.
Using boosting methods for object categorization is a way to unify the weak classifiers in a special way to boost the overall ability of categorization.

Ствердна відповідь Роберта Шапіра на питання Кірнса та Веліента в праці 1990 року мала значні наслідки в машинному навчанні та статистиці, найголовніше, призвівши до розробки підсилювання.
Robert Schapire's affirmative answer in a 1990 paper to the question of Kearns and Valiant has had significant ramifications in machine learning and statistics, most notably leading to the development of boosting.

Багато алгоритмів підсилювання вписуються в систему AnyBoost, яка показує, що підсилювання виконує градієнтний спуск у просторі функцій за допомогою опуклої функції витрат.
Many boosting algorithms fit into the AnyBoost framework, which shows that boosting performs gradient descent in a function space using a convex cost function.

Інші алгоритми, подібні за духом до алгоритмів підсилювання, іноді називають«алгоритмами підважування»(англ. leveraging algorithms), хоча їх іноді неправильно називають й алгоритмами підсилювання.
Other algorithms that are similar in spirit to boosting algorithms are sometimes called"leveraging algorithms", although they are also sometimes incorrectly called boosting algorithms.

Алгоритмами підсилювання(англ. boosting algorithms) можна з точністю називати лише ті алгоритми, які довідно є алгоритмами підсилювання в формулюванні ймовірно приблизно правильного навчання.
Only algorithms that are provable boosting algorithms in the probably approximately correct learning formulation can accurately be called boosting algorithms..

Проте, станом на 2009 рік, декілька авторів показали, що алгоритми підсилювання на основі неопуклої оптимізації, такі як BrownBoost, можуть навчатися із зашумлених наборів даних, і можуть навчатися конкретно класифікатора, що лежить в основі набору даних Лонга- Серведіо.
However, by 2009, multiple authors demonstrated that boosting algorithms based on non-convex optimization, such as BrownBoost, can learn from noisy datasets and can specifically learn the underlying classifier of the Long- Servedio dataset.

Хоча підсилювання й не є обмеженим алгоритмічно, більшість алгоритмів підсилювання складаються з ітеративного навчання слабких класифікаторів стосовно розподілу та додавання їх до кінцевого сильного класифікатора.
While boosting is not algorithmically constrained, most boosting algorithms consist of iteratively learning weak classifiers with respect to a distribution and adding them to a final strong classifier.