Konuşma dilini anlamada kullanılan terimler ve tanımlar
Konuşma dilini anlama özelliğini kullanırken karşılaşabileceğiniz tanımlardan ve terimlerden bazıları hakkında bilgi edinmek için bu makaleyi kullanın.
Varlık
Varlıklar, ifadelerde bir amacı yerine getirmek veya tanımlamak için kullanılan bilgileri açıklayan sözcüklerdir. Varlığınız karmaşıksa ve modelinizin belirli bölümleri tanımlamasını istiyorsanız, modelinizi alt varlıklara bölebilirsiniz. Örneğin, modelinizin bir adresi, aynı zamanda sokak, şehir, eyalet ve posta kodunun alt varlıklarını tahmin etmelerini isteyebilirsiniz.
F1 puanı
F1 puanı Duyarlık ve Yakalama işlevinin bir işlevidir. Duyarlık ve yakalama arasında bir denge ararken gereklidir.
Amaç
Amaç, kullanıcının gerçekleştirmek istediği bir görevi veya eylemi temsil eder. Bir kullanıcının girişinde ifade edilen bir amaç veya hedeftir; örneğin uçuş rezervasyonu yapma veya fatura ödeme.
Liste varlığı
Liste varlığı, eş anlamlılarıyla birlikte sabit, kapalı bir ilişkili sözcük kümesini temsil eder. Liste varlıkları, makineyle öğrenilen varlıkların aksine tam eşleşmelerdir.
Liste varlığındaki bir sözcük listeye dahil edilirse varlık tahmin edilir. Örneğin, "boyut" adlı bir liste varlığınız varsa ve listede "küçük, orta, büyük" sözcükleri varsa, bağlamdan bağımsız olarak "küçük", "orta" veya "büyük" sözcüklerinin kullanıldığı tüm ifadeler için boyut varlığı tahmin edilir.
Modelleme
Model, belirli bir görevi yerine getirmek için eğitilmiş bir nesnedir ve bu örnekte konuşma görevleri anlayabilir. Modeller, daha sonra konuşmaları anlamak için kullanılabilmesi için öğrenmeniz gereken etiketli veriler sağlayarak eğitilir.
- Model değerlendirmesi , modelinizin ne kadar iyi performans sergilediğini öğrenmek için eğitimden hemen sonra gerçekleşen işlemdir.
- Dağıtım , modelinizi tahmin API'sinin kullanımına açmak için bir dağıtıma atama işlemidir.
Fazla uygunluk
Fazla uygunluk, model belirli örneklere sabitlendiğinde ve genelleştirilemediğinde gerçekleşir.
Duyarlık
Modelinizin ne kadar hassas/doğru olduğunu ölçer. Doğru tanımlanmış pozitifler (gerçek pozitifler) ile tüm tanımlanan pozitifler arasındaki orandır. Duyarlık ölçümü, tahmin edilen sınıflardan kaçının doğru etiketlendiğini gösterir.
Project
Proje, verilerinize göre özel ML modellerinizi oluşturmaya yönelik bir çalışma alanıdır. Projenize yalnızca siz ve kullanılmakta olan Azure kaynağına erişimi olan diğer kişiler erişebilir.
Geri çağırma
Modelin gerçek pozitif sınıfları tahmin etme yeteneğini ölçer. Tahmin edilen gerçek pozitifler ile gerçekte etiketlenenler arasındaki orandır. Geri çağırma ölçümü, tahmin edilen sınıflardan kaçının doğru olduğunu gösterir.
Normal ifade
Normal ifade varlığı normal bir ifadeyi temsil eder. Normal ifade varlıkları tam eşleşmedir.
Şema
Şema, projenizdeki amaçların ve varlıkların birleşimi olarak tanımlanır. Şema tasarımı, projenizin başarısının önemli bir parçasıdır. Şema oluştururken projenize hangi amaçların ve varlıkların dahil edilmesi gerektiğini düşünmek istiyorsunuz
Eğitim verileri
Eğitim verileri, modeli eğitmek için gereken bilgi kümesidir.
İfade
Konuşma, konuşmadaki bir cümlenin kısa metin temsili olan kullanıcı girişidir. "Önümüzdeki Salı Seattle'a 2 bilet rezervasyonu" gibi doğal bir dil ifadesidir. Modeli eğitmek için örnek konuşmalar eklenir ve model çalışma zamanında yeni konuşmayla ilgili tahminde bulunur