「AI・機械学習の技術英語」の英語フレーズ

nyangailabに収録されている「AI・機械学習の技術英語」の英語フレーズは全52件です。代表的なフレーズを紹介します。

• The model failed to converge during training.
  モデルは訓練中に収束しませんでした。
• We fine-tuned a pretrained model on our own dataset.
  事前学習済みモデルを自前のデータセットでファインチューニングしました。
• The attention mechanism lets the model focus on relevant tokens.
  アテンション機構はモデルが関連するトークンに注目できるようにします。
• This LLM is hallucinating facts that aren't in the source.
  このLLMは元の資料にない事実を幻覚（ハルシネーション）で作り出しています。
• We're running low on context window for this prompt.
  このプロンプトはコンテキストウィンドウが足りなくなってきています。
• Prompt engineering made a huge difference in output quality.
  プロンプトエンジニアリングで出力品質が大きく変わりました。
• RAG lets the model retrieve documents before answering.
  RAGはモデルが回答前に文書を検索できるようにします。
• Should we fine-tune the model or just improve the prompt?
  モデルをファインチューニングすべきか、それともプロンプトを改善すべきか？
• The confusion matrix shows a lot of false positives.
  混同行列を見ると偽陽性が多いです。
• Precision is high but recall is really low.
  適合率は高いですが、再現率がかなり低いです。
• The F1 score improved after we balanced the dataset.
  データセットのバランスを取った後、F1スコアが改善しました。
• Check the AUC-ROC before deciding on a threshold.
  閾値を決める前にAUC-ROCを確認してください。
• Add dropout to reduce overfitting.
  過学習を減らすためにドロップアウトを加えてください。
• Batch normalization stabilized the training.
  バッチ正規化で訓練が安定しました。
• The loss isn't going down after a few epochs.
  数エポック経っても損失が下がっていません。
• We need to increase the batch size to speed things up.
  処理を速くするためにバッチサイズを増やす必要があります。
• The embedding space captures semantic similarity well.
  この埋め込み空間は意味的な類似性をよく捉えています。
• Backpropagation updates the weights layer by layer.
  誤差逆伝播は層ごとに重みを更新します。
• This is a classic case of vanishing gradients.
  これは勾配消失の典型例です。
• The generative model produces surprisingly realistic images.
  この生成モデルは驚くほどリアルな画像を生成します。
• We saved a checkpoint every 1,000 steps.
  1,000ステップごとにチェックポイントを保存しました。
• The learning rate schedule decays after each epoch.
  学習率スケジュールは各エポック後に減衰します。
• A GPU can perform many calculations in parallel, which speeds up training.
  GPUは並列に多くの計算を行えるため、学習が高速化されます。
• We're evaluating a TPU cluster to cut our training costs.
  学習コストを削減するためTPUクラスターを検討しています。
• This model runs entirely on-device, so no data ever leaves the phone.
  このモデルは完全にデバイス上で動作するため、データが端末外に出ることはありません。
• Edge devices don't have much VRAM, so we had to shrink the model first.
  エッジデバイスはVRAMが少ないため、まずモデルを小型化する必要がありました。
• Object detection draws a box around every item it finds in the image.
  物体検出は画像内で見つけた物体それぞれを四角で囲みます。
• Semantic segmentation labels every single pixel in the image.
  セマンティックセグメンテーションは画像内のすべてのピクセルにラベルを付けます。
• Sentiment analysis tells us whether a review is mostly positive or negative.
  感情分析はレビューが主に肯定的か否定的かを判定します。
• Named entity recognition pulls names, places, and dates out of the text.
  固有表現認識はテキストから人名・地名・日付を抽出します。
• The system used anomaly detection to flag this transaction automatically.
  このシステムは異常検知を使ってこの取引を自動的にフラグ付けしました。
• A large language model predicts the next word based on huge amounts of text.
  大規模言語モデルは膨大なテキストをもとに次の単語を予測します。
• A diffusion model starts from random noise and gradually turns it into an image.
  拡散モデルはランダムなノイズから始めて、徐々に画像へと変えていきます。
• This is a generative adversarial network, so two models compete to improve each other.
  これは敵対的生成ネットワークで、2つのモデルが互いを高め合うように競います。
• An autoencoder learns to compress data and then reconstruct it as closely as possible.
  オートエンコーダはデータを圧縮し、できるだけ忠実に再構築することを学習します。
• Vision transformers apply the transformer architecture directly to image patches.
  Vision Transformerはトランスフォーマーアーキテクチャを画像パッチに直接応用します。
• A mixture of experts only activates a few sub-networks for each input.
  専門家混合モデルは入力ごとに一部のサブネットワークだけを活性化します。
• Try lowering the sampling temperature if you want more predictable output.
  より予測しやすい出力にしたいならサンプリング温度を下げてみてください。
• Top-p sampling only considers the tokens that make up the most likely mass of probability.
  Top-pサンプリングは、確率の大部分を占める最も可能性の高いトークンだけを考慮します。
• Chain-of-thought prompting helps the model reason through a problem step by step.
  思考の連鎖(Chain-of-thought)プロンプティングは、モデルが問題を段階的に推論するのを助けます。

他12件はアプリ内で音声つきで学べます。

→ フレーズ集トップ（他のシーンを見る）