Реестровая запись: ЭЛ № ФС77-79395 от 02.11.2020 ISSN: 2782-1528 DOI 10.34660/c0727-6092-6372-a
Элемент дефектный отображения (знакосинтезирующего индикатора) — элемент отображения информации знакосинтезируюшего индикатора, световые характеристики и (или) внешний вид которого не соответствует НТД. [ГОСТ 25066-91 Индикаторы знакосинтезирующие.
Сегмент знакосинтезирующего индикатора — элемент отображения информации знакосинтезирующего индикатора, контур которого представляет собой линию. [ГОСТ 25066-91 Индикаторы знакосинтезирующие. Термины, определения и буквенные обозначения]
Элемент отображения (информации знакосинтезирующего индикатора) — конструктивная часть информационного поля знакосинтезирующего индикатора, имеющая самостоятельное управление. [ГОСТ 25066-91 Индикаторы знакосинтезирующие. Термины, определения и буквенные обозначения]
Индикатор знакосинтезирующий — прибор, в котором информация, предназначенная для зрительного восприятия, отображается с помощью одного или совокупности дискретных элементов. [ГОСТ 25066-91 Индикаторы знакосинтезирующие. Термины, определения
Расцепитель (контактного коммутационного аппарата): устройство, механически связанное с контактным коммутационным аппаратом, которое освобождает удерживающие приспособления и тем самым допускает размыкание или замыкание коммутационного аппарата. Примечание.
Машинное обучение как научное направление – подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться. Для построения таких методов используются средства математической статистики, численных методов,
Обучение как этап процесса разработки ИИС – состоит в определении параметров выбранной модели, связывающей входные данные с выходными значениями, и обеспечивающих минимум / максимум заданного
Стекинг – используется несколько разнородных слабых учеников. Их обучают и объединяют для построения прогноза, основанного на результатах различных слабых моделей. [Ансамблевые методы машинного обучения. (Электронный
Бэггинг – однородные модели обучают на разных наборах данных и объединяют. Получают прогноз путём усреднения или голосования. Если использовать в качестве слабого ученика деревья решений,
Методы ансамблевые – это мощный инструмент для построения моделей машинного обучения. Ансамбли позволяют увеличить точность модели до 90+, при этом они довольно просты в понимании.