Облачный процессор (Cloud TPU) это специализированный аппаратный ускоритель, предназначенный для ускорения рабочих нагрузок машинного обучения на Google Cloud Platform.
Обработка больших объемов данных (Processing of large volumes of data) это совокупность подходов, инструментов и методов автоматической обработки структурированной и неструктурированной информации, поступающей из большого количества различных, в том числе разрозненных или слабосвязанных, источников информации, в объемах, которые невозможно обработать вручную за разумное время.
Обработка естественного языка (Natural language processing) это класс решений, направленных на понимание языка и генерацию текста, несущего смысл, а также общение на естественном языке при взаимодействии компьютера и человека.
Обработка изображений (Image processing) это область прикладных научных исследований, связанных с анализом и обработкой цифровых изображений. Чётких границ между обработкой изображений, анализом изображений (image analysis) и техническим зрением (computer vision), а также, любые комплексные программные и/или аппаратные операции по компьютерной обработке (преобразованию) изображений, например повышение чёткости, коррекция цветов, сглаживание, уменьшение шумов и т. д.
Обработка компьютерного зрения (Computer vision processing) это обработка изображений (сигналов) в системе компьютерного зрения, в системах компьютерного зрения об алгоритмах (computer vision processing algorithms), процессорах (computer vision processing unit, CVPU), свёрточных нейронных сетях (convolutional neural network), которые применяются для обработки изображений и реализации зрительных функций в робототехнике, в системах реального времени (real-time system), системах интеллектуального видеонаблюдения (smart video surveillance) и др.
Обработка персональных данных (Processing of personal data) это любое действие (операция) или совокупность действий (операций), совершаемых с использованием средств автоматизации или без использования таких средств с персональными данными, включая сбор, запись, систематизацию, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передачу (распространение, предоставление, доступ), обезличивание, блокирование, удаление, уничтожение персональных данных.
Обработка речи (Speech processing) это изучение речевых сигналов и методов обработки сигналов. Сигналы обычно обрабатываются в цифровом представлении, поэтому обработку речи можно рассматривать как частный случай цифровой обработки сигналов, применяемый к речевым сигналам. Аспекты обработки речи включают получение, обработку, хранение, передачу и вывод речевых сигналов. Ввод называется распознаванием речи, а вывод называется синтезом речи.
Обучение без учителя (Unsupervised learning) Обучение без учителя (Unsupervised learning) направление машинного обучения, работает с неразмеченными данными и работает без обратной связи.
Обучение модели (Model training) это настройка параметров модели нейронной сети для правильной работы с заданными данными.
Обучение с временной разницей (Temporal difference learning) это класс методов обучения с подкреплением без использования моделей, которые обучаются путем самонастройки на основе текущей оценки функции ценности. Эти методы производят выборку из среды, например методы Монте-Карло, и выполняют обновления на основе текущих оценок, например методы динамического программирования.
Обучение с подкреплением (Reinforcement learning) это направление машинного обучения, фокусируется на процессах принятия решений и системах вознаграждения. Может выучить серию действий.
Обучение с учителем (Контролируемое обучение, Supervised learning) это тип машинного обучения, также известное как контролируемое машинное обучение, является подкатегорией машинного обучения и искусственного интеллекта. Он определяется использованием помеченных наборов данных для обучения алгоритмов, которые точно классифицируют данные или прогнозируют результаты. Когда входные данные вводятся в модель, она корректирует свои веса до тех пор, пока модель не будет соответствующим образом подобрана, что происходит как часть процесса перекрестной проверки. Обучение с учителем использует обучающий набор для обучения моделей получению желаемого результата. Этот обучающий набор данных включает в себя входные и правильные выходные данные, которые позволяют модели обучаться с течением времени. Алгоритм измеряет свою точность с помощью функции потерь, подстраиваясь до тех пор, пока ошибка не будет достаточно минимизирована. При интеллектуальном анализе данных контролируемое обучение можно разделить на два типа задач классификацию и регрессию. Классификация использует алгоритм для точного распределения тестовых данных по определенным категориям. Он распознает определенные объекты в наборе данных и пытается сделать некоторые выводы о том, как эти объекты должны быть помечены или определены. Распространенными алгоритмами классификации являются линейные классификаторы, машины опорных векторов (SVM), деревья решений, k-ближайший сосед и случайный лес. Регрессия используется для понимания связи между зависимыми и независимыми переменными. Она обычно используется для прогнозирования. Линейная регрессия, логистическая регрессия и полиномиальная регрессия являются популярными алгоритмами регрессии.