Skip to main content

függelék E — Jelölések

A könyv a gépi tanulási szakirodalom elterjedt jelöléseit követi (Bishop, 2006; Hastie és mtsai., 2009). Ahol egy jelölésnek a fejezet szövegkörnyezetében más jelentése van (például \(T\) egyszerre jelöli a hőmérsékletet, az idősor hosszát és a kezelési változót), azt a fejezet külön jelzi.

Általános jelölések

Jelölés Jelentés
\(x\), \(\mathbf{x}\), \(\mathbf{X}\) skalár, (oszlop)vektor, mátrix
\(\mathbf{x}^\top\), \(\mathbf{X}^\top\) transzponált
\(\mathbf{I}\) egységmátrix
\(\mathbf{X}\in\mathbb{R}^{N\times n}\) adatmátrix: \(N\) objektum (sor), \(n\) jellemző (oszlop)
\(\mathbf{x}_k\) a \(k\)-adik objektum jellemzővektora (az \(\mathbf{X}\) \(k\)-adik sora, oszlopvektorként)
\(x_{kj}\) a \(k\)-adik objektum \(j\)-edik jellemzője
\(y_k\), \(\mathbf{y}\) a \(k\)-adik objektum célváltozója; a célváltozók vektora
\(\hat y\), \(\hat{\boldsymbol\theta}\) előrejelzés, illetve becsült paraméter
\(C\), \(c\) az osztályok száma, egy osztály
\(K\) a klaszterek (komponensek, témák) száma
\(\lVert\mathbf{x}\rVert_p\) \(\ell_p\)-norma; index nélkül az euklideszi (\(\ell_2\)) norma
\(d(\mathbf{x}, \mathbf{y})\) távolság
\(\mathbf{x}^\top\mathbf{y}\) skaláris szorzat
\(\odot\) elemenkénti (Hadamard-) szorzat
\(\operatorname{tr}(\mathbf{A})\), \(\det(\mathbf{A})\), \(\operatorname{rank}(\mathbf{A})\) nyom, determináns, rang
\(\nabla f\), \(\partial f/\partial x\) gradiens, parciális derivált
\(\arg\min\), \(\arg\max\) a minimumot, illetve maximumot adó argumentum
\(\mathbb{1}[\cdot]\), \(\delta_{x>0}\) indikátorfüggvény (1, ha a feltétel teljesül, egyébként 0)
\(\ln\), \(\log_2\) természetes, illetve kettes alapú logaritmus

Valószínűség és statisztika

Jelölés Jelentés
\(P(A)\), \(P(A\mid B)\) valószínűség, feltételes valószínűség
\(p(\mathbf{x})\) sűrűségfüggvény
\(E[X]\), \(\operatorname{Var}(X)\), \(\operatorname{Cov}(X, Y)\) várható érték, variancia, kovariancia
\(\boldsymbol\mu\), \(\boldsymbol\Sigma\) várhatóérték-vektor, kovarianciamátrix
\(\bar x\), \(s\), \(\mathbf{S}\) mintaátlag, korrigált tapasztalati szórás, tapasztalati kovarianciamátrix
\(\mathcal{N}(\mu, \sigma^2)\) normális eloszlás
\(\sigma(z) = 1/(1 + e^{-z})\) szigmoid (logisztikus) függvény
\(\ell(\boldsymbol\theta)\) log-likelihood
\(\chi^2_n\), \(F(n_1, n_2)\) khi-négyzet és \(F\)-eloszlás

Modellek és tanulás

Jelölés Jelentés
\(\mathbf{w}\), \(b\) súlyvektor, eltolás (lineáris modellek, neuronok)
\(J(\boldsymbol\theta)\) célfüggvény (veszteség és regularizáció)
\(L(y, \hat y)\), \(\ell\) veszteségfüggvény
\(\lambda\), \(\alpha\) regularizációs paraméter (a scikit-learn-ben alpha, illetve C = 1/λ)
\(\eta\) tanulási ráta
\(\mathbf{W}^{(l)}\), \(\mathbf{h}^{(l)}\), \(\boldsymbol\delta^{(l)}\) a neurális hálózat \(l\)-edik rétegének súlymátrixa, kimenete, hibajele
\(\varphi\) aktivációs függvény
\(\mathbf{P}\), \(\mathbf{t}\), \(\lambda_a\) főkomponens-irányok mátrixa, főkomponens-értékek, sajátértékek
\(T^2\), \(Q\) Hotelling-féle statisztika, négyzetes előrejelzési hiba (PCA-alapú felügyelet)
\(u_{ik}\), \(m\) fuzzy tagsági érték és fuzzy kitevő (FCM)
\(\sigma(X)\), \(s(X\Rightarrow Y)\), \(c(X\Rightarrow Y)\) támogatottság (darabszám és arány), bizonyosság (asszociációs szabályok)
\(H\), \(G\), \(IG\) entrópia, Gini-index, információnyereség
\(\tau(\mathbf{x})\) egyéni (feltételes) kezelési hatás, uplift

Idősorok

Jelölés Jelentés
\(y_t\), \(T\) az idősor \(t\)-edik értéke, az idősor hossza
\(T_t\), \(S_t\), \(R_t\) trend-, szezonális és maradékkomponens
\(m\) szezonális periódus
\(B\), \(\nabla\) késleltető operátor (\(By_t = y_{t-1}\)), differenciaoperátor
\(r_k\) \(k\) késleltetésű autokorreláció
\(\hat y_{T+h\mid T}\) a \(T\) időpontban készített \(h\) lépéses előrejelzés
\(D(i, j)\) a DTW kumulált költségmátrixa

Mértékegységek és számírás

A szövegben a magyar helyesírásnak megfelelően tizedesvesszőt és ezres tagolásra szóközt használunk (2 176; 0,95), a programkódban és a kimenetekben – a Python szabályai szerint – tizedespontot. A pénzösszegek forintban, a hőmérsékletek Celsius-fokban, az áramok m³/h-ban, a koncentrációk mol/L-ben értendők.