Examples of using Support vector in English and their translations into Ukrainian
{-}
-
Colloquial
-
Ecclesiastic
-
Computer
Support Vector Machines.
Опорні вектори.Optimization algorithm for training support vector machines.
Алгоритм оптимізації для тренування опорно-векторних машин.Support Vector Machines.
Опорних векторів.The classifier isbased on the free software library LibSVM and support vector machines.
Класифікатор базується на вільній бібліотеці LibSVM та методі опорних векторів.Support vector machine(SVM).
Метод опорних векторів(SVM).To establish the relationship between the profiles and clusters, the support vector machine is applied.
Для встановлення зв'язку між профілями і кластерами застосовано метод опорних векторів.Support Vector Machines(SVM).
Метод опорних векторів(SVM).SMO is widely used for training support vector machines and is implemented by the popular LIBSVM tool.
ПМО широко використовується для тренування опорно-векторних машин, і втілюється популярним інструментом LIBSVM.Cortes' research covers a wide range of topics in machine learning,including support vector machines and data mining.
Дослідження Корінни Кортес охоплює широке коло тем у галузі машинного навчання,включаючи метод опорних векторів та інтелектуального аналізу даних.SVM(support vector machine).
SVM(машина векторної підтримки).She is currently the Head of Google Research, New York.[1] Cortes is a recipient of the Paris Kanellakis Theory andPractice Award for her work on theoretical foundations of support vector machines.[2].
В даний час вона працює керівником Google Research в Нью-Йорку.[1] К. Кортес нагороджена премієюКанеллакіса за свою роботу з теоретичних основ методу опорних векторів.[2].In the case of support vector machines, a data point is viewed as a p{\displaystyle p}.
У випадку опорно-векторних машин точку даних розглядають як p{\displaystyle p}.In 2008, she jointly with Vladimir Vapnik received the Paris Kanellakis Theory and Practice Award for the development of a highlyeffective algorithm for supervised learning known as support vector machines(SVM).
У 2008 році вона спільно з Володимиром Вапником отримали у Парижі премію Канеллакіса за розвиток високоефективного алгоритму керованого навчання,відома як метод опорних векторів(SVM).The RVM has an identical functional form to the support vector machine, but provides probabilistic classification.
ДВМ має однаковий функційний вигляд з опорно-векторною машиною, але забезпечує ймовірнісну класифікацію.A support vector machine is a classifier that divides its input space into two regions, separated by a linear boundary.
Метод опорних векторів є класифікатором, який поділяє свій вхідний простір на дві області, розділені лінійною межею.Some of the other popular techniques included Bayesian networks, support vector machines, and evolutionary algorithms, all of which take different approaches to finding patterns in data.
Серед інших популярних методів були байєсовські мережі, метод опорних векторів і еволюційні алгоритми, всі вони використовують різні підходи до пошуку закономірностей в даних.Support vector machines and other, much simpler methods such as linear classifiers gradually overtook neural networks in machine learning popularity.
Метод опорних векторів та інші, значно простіші методи, такі як лінійні класифікатори, поступово наздогнали нейронні мережі за популярністю в машинному навчанні.Other popular methods included Bayesian networks, the support vector machine and evolutionary algorithms, all of which use different approaches to finding patterns in the data.
Серед інших популярних методів були байєсовські мережі, метод опорних векторів і еволюційні алгоритми, всі вони використовують різні підходи до пошуку закономірностей в даних.Once the stacked auto encoder is trained, its output can be used as theinput to a supervised learning algorithm such as support vector machine classifier or a multi-class logistic regression.
Щойно складений автокодувальник натреновано, його вихід може бути використано як вхіддо алгоритму керованого навчання, такого як класифікатор методом опорних векторів або багатокласова логістична регресія.The clustering algorithm whichprovides an improvement to the SVMs is called support vector clustering and is often used in industrial applications either when data are not labeled or when only some data are labeled as a preprocessing for a classification pass.
Алгоритм кластерування, який забезпечує вдосконалення опорно-векторним машинам,називається опо́рно-ве́кторним кластерува́нням(англ. support vector clustering),[2] і часто використовується в промислових застосуваннях, коли дані або не є міченими, або коли лише деякі дані є міченими як попередня обробка перед проходом класифікації.This extends the geometric interpretation of SVM- for linear classification,the empirical risk is minimized by any function whose margins lie between the support vectors, and the simplest of these is the max-margin classifier.
Це розширює геометричну інтерпретацію ОВМ- для лінійної класифікаціїемпіричний ризик мінімізується будь-якою функцією, чиї межі лежать між опорними векторами, і найпростішою з них є максимально розділовий класифікатор.The following learning method can be any of the already mentioned machine learning methods,e.g. support vector machines.[20] An alternative approach uses multiple-instance learning by encoding molecules as sets of data instances, each of which represents a possible molecular conformation.
Наступним методом навчання може бути будь-який із згаданих методів машинного навчання,наприклад, підтримуючі векторні машини.[1] Альтернативний підхід використовує навчання з кількома примірниками, кодуючи молекули як набори зразків даних, кожен з яких представляє можливу молекулярну конформацію.Every decade, in other words, has essentially seen the reign of a different technique: neural networks in the late'50s and'60s, various symbolic approaches in the'70s, knowledge-based systems in the'80s,Bayesian networks in the'90s, support vector machines in the'00s, and neural networks again in the'10s.
Кожне десятиліття, іншими словами, бачилопанування іншої техніки: нейронні мережі в кінці 50-х і 60-х, різні символічні спроби в 70-х, системи на основі знань в 80-х,байєсовські мережі в 90-х, опорні вектори в нульових і нейромережі знову в 2010- х.Since several well-proven data clustering,classification and information retrieval methods(for example support vector machines) are designed to work on vectors(i.e. data are elements of a vector space), using a string kernel allows the extension of these methods to handle sequence data.
Оскільки деякі добре доведеніметоди кластерування, класифікації та добування інформації(наприклад, метод опорних векторів) розроблено для роботи з векторами(тобто, дані є елементами векторного простору), застосування стрічкових ядер уможливлює поширення цих методів на обробку даних послідовностей.One other popular approach is the Recursive Feature Elimination algorithm,[8]commonly used with Support Vector Machines to repeatedly construct a model and remove features with low weights.
Одним з інших популярних підходів є алгоритм рекурсивного усунення ознак(англ. Recursive Feature Elimination),[8]зазвичай застосовуваний з методом опорних векторів для повторної побудови моделі та усунення ознак з низькими ваговими коефіцієнтами.Data analytics technology utilizing algorithms for the automated formation of classifiers that were developed in the supervisedmachine learning community in the 1990s(for example, TDIDT, Support Vector Machines, Neural Nets, IBL) are now used pervasively by companies for marketing survey targeting and discovery of trends and features in data sets.
Технологія аналізу даних з використанням алгоритмів для автоматизованого формування класифікаторів, яка була розроблена спільнотоюкерованого машинного навчання у 1990-х роках(наприклад, TDIDT, Machines Support Vector, Neural Nets, IBL) широко використовуються компаніями у маркетингових дослідженнях, виявленні тенденцій і особливостей у наборах даних.In 2008, she jointly with Vladimir Vapnik received the Paris Kanellakis Theory and Practice Award for the development of a highlyeffective algorithm for supervised learning known as support vector machines(SVM).[4] Today, SVM is one of the most frequently used algorithms in machine learning, which is used in many practical applications, including medical diagnosis and weather forecasting.[2].
У 2008 році вона спільно з Володимиром Вапником отримали у Парижі премію Канеллакіса за розвиток високоефективного алгоритму керованого навчання,відома як метод опорних векторів(SVM).[4] Нині, SVM є одним з найбільш часто використовуваних алгоритмів машинного навчання, який використовується в багатьох практичних додатках, включаючи медичну діагностику та прогноз погоди.[2].Primary, secondary, and supporting vector therapies diverge from one another due to the use of different nozzles for the medical apparatus and different medical fluids.
Первинна, вторинна і підтримуюча вектор-терапії відрізняються використанням різних насадок в апараті та лікувальних розчинів.Geomedia WebMap 1.0, First version of Geomedia WebMap, already supports vector graphics through the use of ActiveCGM.[12] 1996: MapGuide, Autodesk acquired Argus Technologies. and introduced Autodesk MapGuide 2.0.
Geomedia WebMap 1. 0, перша версія Geomedia WebMap, вже підтримує векторну графіку завдяки використанню ActiveCGM.[2] 1996: MapGuide, Autodesk придбала Argus Technologies. Та представила Autodesk MapGuide 2. 0.
