व्यापक आर आर्काइव नेटवर्क (CRAN)

RAID (रिडंडेंट एरे ऑफ इंडिपेंडेंट डिस्क का संक्षिप्त रूप) एक डेटा स्टोरेज वर्चुअलाइजेशन तकनीक है जो डेटा अतिरेक, प्रदर्शन सुधार, या दोनों के लिए कई भौतिक डिस्क ड्राइव को एक या एक से अधिक लॉजिकल इकाइयों में जोड़ती है। विभिन्न RAID स्तर विश्वसनीयता, उपलब्धता, प्रदर्शन और क्षमता का भिन्न संतुलन प्रदान करते हैं। उदाहरण के लिए, RAID 1 डेटा को दो डिस्क पर मिरर करता है, जबकि RAID 5 डेटा और समता को कम से कम तीन डिस्क पर स्ट्रिप करता है।

एजाइल परियोजना प्रबंधन अपने जीवन चक्र के दौरान एक परियोजना को वितरित करने के लिए एक पुनरावृत्ति दृष्टिकोण है। यह बड़ी परियोजनाओं को छोटे, प्रबंधनीय कार्यों में तोड़ता है जो छोटी पुनरावृत्तियों या 'स्प्रिंट' में पूरे होते हैं। यह बार-बार पुनर्मूल्यांकन, योजनाओं के अनुकूलन और परिवर्तन के प्रति लचीलेपन की अनुमति देता है। यह व्यापक दस्तावेज़ीकरण और कठोर योजनाओं पर ग्राहक सहयोग, कार्यशील सॉफ्टवेयर और परिवर्तन का जवाब देने को प्राथमिकता देता है।

एल्गोरिथम पूर्वाग्रह शमन तकनीकों को मॉडल प्रशिक्षण प्रक्रिया के सापेक्ष तीन मुख्य चरणों में वर्गीकृत किया जाता है। प्री-प्रोसेसिंग विधियाँ प्रशिक्षण डेटा को ही संशोधित करती हैं (जैसे, रीवेइंग, रिसैंपलिंग)। इन-प्रोसेसिंग विधियाँ निष्पक्षता बाधाओं को सीधे मॉडल के सीखने के एल्गोरिथम में शामिल करती हैं। पोस्ट-प्रोसेसिंग विधियाँ मॉडल की भविष्यवाणियों को निष्पक्षता में सुधार के लिए उनके बनने के बाद समायोजित करती हैं।

एल्गोरिथम संबंधी भ्रम तब होता है जब एक एल्गोरिथम द्वारा उपयोग किया जाने वाला एक प्रॉक्सी चर एक संरक्षित विशेषता (जैसे जाति या लिंग) और रुचि के परिणाम दोनों के साथ सहसंबंधित होता है। एल्गोरिथम अनजाने में प्रॉक्सी का उपयोग करके संरक्षित विशेषता के आधार पर भेदभाव करना सीख सकता है, भले ही संरक्षित विशेषता को मॉडल के इनपुट डेटा से स्पष्ट रूप से बाहर रखा गया हो।

स्पाइरल मॉडल एक जोखिम-आधारित सॉफ्टवेयर विकास प्रक्रिया मॉडल है जो प्रोटोटाइपिंग और वॉटरफॉल मॉडल दोनों के तत्वों को जोड़ता है। यह एक प्रकार का पुनरावृत्ति विकास है जिसमें परियोजना प्रत्येक पुनरावृत्ति (स्पाइरल) में चार चरणों से गुजरती है: उद्देश्यों का निर्धारण, जोखिमों की पहचान और समाधान, विकास और परीक्षण, और अगली पुनरावृत्ति की योजना बनाना। यह निरंतर जोखिम विश्लेषण पर जोर देता है।

सिग्नल डिटेक्शन बड़े डेटासेट, विशेष रूप से स्वतः रिपोर्टिंग सिस्टम से किसी दवा और प्रतिकूल घटना के बीच संभावित कारण संबंधों की पहचान करने की प्रक्रिया है। यह सांख्यिकीय तरीकों का उपयोग करता है, जिन्हें असमानता विश्लेषण के रूप में जाना जाता है, ताकि अपेक्षित से अधिक बार रिपोर्ट किए गए दवा-घटना संयोजनों का पता लगाया जा सके। एक सामान्य माप रिपोर्टिंग ऑड्स रेशियो (ROR) है, जिसका मान एक से अधिक होने पर एक संभावित संकेत का सुझाव देता है जिसके लिए आगे की जांच की आवश्यकता होती है।

मुख्य रूप से UI और वेबडिज़ाइन में एक प्रमुख उपयोगिता सलाहकार जैकब नील्सन ने उपयोगिता को पांच गुणवत्ता घटकों के माध्यम से परिभाषित किया: सीखने की क्षमता (पहली बार उपयोगकर्ताओं के लिए बुनियादी कार्य पूरे करना कितना आसान है?), दक्षता (एक बार सीख लेने के बाद वे कितनी जल्दी कार्य कर सकते हैं?), यादगारपन (क्या उपयोगकर्ता इसे उपयोग न करने की अवधि के बाद दक्षता फिर से स्थापित कर सकते हैं?), त्रुटियां (उपयोगकर्ता कितनी त्रुटियां करते हैं?), और संतुष्टि (इसका उपयोग करना कितना सुखद है?)

अंतर्राष्ट्रीय मानक ISO 9241-11 उपयोगिता को "उस सीमा तक परिभाषित करता है जहाँ तक किसी उत्पाद का उपयोग निर्दिष्ट उपयोगकर्ताओं द्वारा उपयोग के एक निर्दिष्ट संदर्भ में प्रभावशीलता, दक्षता और संतुष्टि के साथ निर्दिष्ट लक्ष्यों को प्राप्त करने के लिए किया जा सकता है।" यह परिभाषा उपयोगिता को मापने के लिए एक ढाँचा प्रदान करती है, इसे तीन अलग-अलग, मात्रात्मक घटकों में तोड़कर, विशुद्ध रूप से व्यक्तिपरक मूल्यांकनों से आगे बढ़कर।

निष्पक्ष मशीन लर्निंग में, असंभवता प्रमेय यह दर्शाते हैं कि एक एल्गोरिथम के लिए एक साथ कई, सहज ज्ञान युक्त निष्पक्षता मानदंडों को पूरा करना गणितीय रूप से असंभव है, सिवाय तुच्छ मामलों के। उदाहरण के लिए, एक एल्गोरिथम आमतौर पर जनसांख्यिकीय समानता (समूहों में समान सकारात्मक दरें) और समान विषम (समूहों में समान सच्ची सकारात्मक और गलत सकारात्मक दरें) दोनों को पूरा नहीं कर सकता है यदि समूहों के बीच आधार दरें भिन्न होती हैं।