What is the translation of " CLASSIFIERS " in Romanian?

• clasificatori
• clasificatorii

Examples of using Classifiers in English and their translations into Romanian

Spiral classifiers machine.
Mașină de clasificare spirală.

Suspended file classifiers.
Clasificatoare pentru dosare suspendate.

Classifiers and statistical learning methods[edit].
Clasificatori și metode statistice de învățare[modificare| modificare sursă].

Scripts and predefined classifiers.
Scripturi și clasificatoare predefinite.

Classifiers are functions that use pattern matching to determine a closest match.
Clasificatorii sunt funcții care utilizează aplicarea șabloanelor pentru a determina potrivirea cea mai apropiată.

BasClas. desc: Base class for all the classifiers.
BasClas. desc: Clasa de bazÄ pentru toÅ£i clasificatorii.

Includes vibrating screens, air classifiers, graders, destoners, and grain cleaners.
Include ecrane vibratoare, clasificatori aer, gredere, destoners, și detergenți de cereale.

Depending on the amount of gas needed for operation, this can include any of the following mills or classifiers.
În funcție de cantitatea de aer comprimat sau abur necesar funcționării, aceasta pot include oricare dintre următoarele tipuri sau clasificatoare.

The results for particular classifiers were as follows.
Rezultatele pentru anumiți clasificatori au fost după cum urmează.

Py: Remove various classifiers and the download-url which aren't accepted by pypi(Christoph Reiter).
Py: Îndepărtați diferiți clasificatori și download-url care nu sunt acceptați de către pypi(Christoph Reiter).

Despite their naive design and apparently oversimplified assumptions, naive Bayes classifiers have worked quite well in many complex real-world situations.
În ciuda designului naiv și ipotezelor aparent supra-simplificate, clasificatorii bayesieni naivi funcționează destul de bine în multe situații reale complexe.

Model-based classifiers perform well if the assumed model is an extremely good fit for the actual data.
Clasificatorii bazați pe modele funcționează bine dacă modelul asumat se potrivește extrem de bine pe datele reale.

The simplest AI applications can be divided into two types: classifiers("if shiny then diamond") and controllers("if shiny then pick up").
Cele mai simple aplicații de IA pot fi împărțite în două tipuri: clasificatori(„dacă sclipește, atunci diamant”) și controlori(„dacă lucios, atunci ridică”).

To evaluate the classifiers, we used the same training set(automatically divided into a training subset and a test subset) of 470 documents with a known category.
Logistic Regression Pentru a evalua clasificatorii am folosit același set de training(împărțit automat într-un subset de formare și un subset de test) de 470 de documente cu o categorie cunoscută.

Automate the task of understanding, separating, and routing documents through AI based classifiers that are trained automatically using the latest in machine learning methods.
Automatizați sarcina de înțelegere, separare și rutare a documentelor prin intermediul clasificatorilor bazați pe AI, care sunt instruiți automat folosind cele mai noi metode de învățare automată.

In machine learning, naive Bayes classifiers are a family of simple"probabilistic classifiers" based on applying Bayes' theorem with strong(naive) independence assumptions between the features.
În învățarea automată, clasificatorii bayesieni naivi reprezintă o familie de„clasificatoriprobabilistici” simpli, bazați pe aplicarea teoremei lui Bayes cu ipoteze puternice(naive) de independență între descriptori.

Maximum-likelihood training can be done by evaluating a closed-form expression,[1]: 718 which takes linear time, rather than by expensive iterative approximation as used for many other types of classifiers.
Antrenarea cu probabilitatea maximă se poate efectua prin evaluarea unei expresii de formă închisă[1]: 718, care necesită timp liniar, față de aproximarea iterativă mai scumpă folosită pentru multe alte tipuri de clasificatori.

For some types of probability models, naive Bayes classifiers can be trained very efficiently in a supervised learning setting.
Pentru unele tipuri de modele de probabilitate, clasificatorii bayesieni naivi pot fi antrenați foarte eficient în contextul învățării supervizate.

This instructor-led, live training(onsite or remote) is aimed at developers and data scientists who wish to use Tensorflow 2.0 to build predictors, classifiers, generative models, neural networks and so on.
Acest antrenament în direct, instruit în direct(la fața locului sau la distanță) se adresează dezvoltatorilor și oamenilor de știință de date care doresc să utilizeze Tensorflow 2.0 pentru a construi predictori, clasificatori, modele generative, rețele neuronale etc.

You will develop skills in creating data policies, building custom classifiers and using predefined policies, incident management, reporting, and system architecture and maintenance.
Veți dezvolta abilități în crearea politicilor de date, construirea clasificatorilor personalizați și utilizarea politicilor predefinite, gestionarea incidentelor, raportarea, arhitectura și întreținerea sistemului.

In order to ensure the accuracy and reliability of the classification of carcases of adult bovines, pigs and sheep, the Commission shall, by means of delegated acts, provide that the classification be carried out by sufficiently qualified classifiers.
Pentru a asigura o clasificare corectă și fiabilă a carcaselor de bovine adulte, de porc și de oaie, Comisia prevede, prin intermediul unor acte delegate, ca clasificarea să fie efectuată de către clasificatori suficient calificați.

Naive Bayes is a simple technique for constructing classifiers: models that assign class labels to problem instances, represented as vectors of feature values, where the class labels are drawn from some finite set.
Bayes naiv este o tehnică simplă pentru construirea clasificatorilor: modele care atribuie etichete de clasă pentru instanțe noi, reprezentate ca vectori de valori pentru diverse caracteristici, unde etichetele de clasă fac parte trase dintr-o mulțime finită.

This instructor-led, live training in South Africa(onsite or remote) is aimed at developers and data scientists who wish to use Tensorflow 2.0 to build predictors, classifiers, generative models, neural networks and so on.
Acest antrenament în direct, instruit în direct(la fața locului sau la distanță) se adresează dezvoltatorilor și oamenilor de știință de date care doresc să utilizeze Tensorflow 2.0 pentru a construi predictori, clasificatori, modele generative, rețele neuronale etc. Până la sfârșitul acestui antrenament.

There is not a single algorithm for training such classifiers, but a family of algorithms based on a common principle: all naive Bayes classifiers assume that the value of a particular feature is independent of the value of any other feature, given the class variable.
Nu există un singur algoritm pentru antrenarea astfel de clasificatori, ci o familie de algoritmi bazați pe un principiu comun: toți clasificatorii bayesieni naivi presupun că valoarea unei anumite caracteristică este independentă de valoarea oricărei altă caracteristici, dat fiind variabila de clasă.

Otherwise, if no matching model is available, and if accuracy(rather than speed or scalability) is the sole concern, conventional wisdom is that discriminative classifiers(especially SVM) tend to be more accurate than model-based classifiers such as"naive Bayes" on most practical data sets.[7][215].
În caz contrar, dacă nu există un model compatibil și dacă singura preocupare este acuratețea(și nu viteza sau scalabilitatea), se știe că clasificatorii discriminatori(în special SVM) tind să fie mai exacți decât clasificatorii bazați pe model, cum ar fi„Bayesnaiv” pe cele mai multe seturi de date din practică.[7][215].

Regression is the attempt to produce a function that describes the relationship between inputs and outputs and predicts how the outputs should change as the inputs change.[2] Both classifiers and regression learners can be viewed as"function approximators" trying to learn an unknown(possibly implicit) function; for example, a spam classifier can be viewed as learning a function that maps from the text of an email to one of two categories,"spam" or"not spam".
Regresia este încercarea de a produce o funcție care descrie relația dintre intrări și ieșiri și prezice modul în care ieșirile ar trebui să se schimbe odată cu schimbarea intrărilor.[2] Atât clasificatorii, cât și mașinile de învățare prin regresie pot fi văzuți ca„aproximatori de funcții”, încercând să învețe o funcție necunoscută(eventual implicită); de exemplu, un clasificator de spam poate fi privit ca învățând o funcție care mapează textul unui e-mail într-una din cele două categorii,„spam” sau„nonspam”.

Yeah, using my Support Vector Classifier, yeah.
Da, folosind sistemul meu vectorial de clasificare, da.

Classifier of fixed assets in practice.
Clasificatorul de bază înseamnă, în practică.

In topic: Classifier QUEST 2016 with a deciphering by type of activity.
Subiectul: Clasificatorul QUEST 2016 cu o descifrare după tipul de activitate.

Adolix Directory Classifier has predefined filters for music, movies, photos or documents.
Adolix Directory Classifier dispune de filtre predefinite pentru muzică, filme, fotografii sau documente.