Публикации по теме 'supervised-learning'
Плюсы и минусы популярных алгоритмов контролируемого обучения
Все мы использовали один из следующих алгоритмов контролируемого обучения для прогнозного анализа:
Логистическая регрессия Хребтовая регрессия Регрессия ЛАССО Линейный дискриминантный анализ (LDA) K Ближайшие соседи (KNN) Наивный байесовский (NB) Машина опорных векторов (SVM) Древо решений Случайный лес (РФ) Повышение градиента
Но задумывались ли вы об их плюсах или минусах? Здесь я перечислил несколько:
1. Логистическая регрессия:
Плюсы:
а) Используется,..
Машинное обучение: категории алгоритмов
Думаете о том, чтобы заняться искусственным интеллектом 🧠 и машинным обучением? Одна из первых вещей, которую вам нужно усвоить, — это разница между категориями контролируемого и неконтролируемого обучения алгоритмов машинного обучения.
Давайте быстро посмотрим: 👀
Обучение с учителем. Обучение с учителем – это тип алгоритма машинного обучения, который включает обучение модели на размеченных данных. Размеченные данные — это набор данных, в котором каждый пример связан с известным..
Введение в машинное обучение
«Прорыв в машинном обучении стоил бы 10 Microsoft» — Билл Гейтс
Я уверен, что мы все видели экраны, похожие на изображения выше, с рекомендациями только для нас. К сожалению, сотрудник Netflix не просматривает ваш профиль индивидуально, чтобы выбрать то, что вам нравится. Вместо этого Netflix использует алгоритмы машинного обучения и отслеживает каждый заголовок, который вы смотрите или проявляете интерес.
Машинное обучение: объяснение, кратко
Как следует из названия,..
Что такое машинное обучение и чем отличаются алгоритмы обучения с учителем и без учителя?
Машинное обучение — это тип искусственного интеллекта, который позволяет компьютерам обучаться и повышать свою производительность при выполнении конкретной задачи без явного программирования. Он включает использование алгоритмов, которые могут анализировать и делать прогнозы или решения на основе данных.
Вот 16 ключевых различий между обучением с учителем и обучением без учителя.
Обучающие данные . При обучении с учителем обучающие данные помечаются , что означает, что для каждого..
Методы кластеризации 101: Введение в методы обучения без учителя
О неконтролируемом обучении
Обучение без учителя — это метод машинного обучения, при котором алгоритм изучает закономерности и взаимосвязи в данных без явного обучения на размеченных примерах. В обучении без учителя цель состоит в том, чтобы обнаружить основную структуру данных, такую как кластеры, шаблоны и отношения, без каких-либо предварительных знаний об метках или результатах.
🦊 Я также приглашаю вас ознакомиться с моими сообщениями о контролируемом и неконтролируемом..
Сравнение алгоритмов машинного обучения без учителя и с учителем с точки зрения естественного языка…
Введение
Homo Sapiens — высокоразвитые и наиболее развитые виды в мире. С тех пор, как мы сделали первый шаг, мы стали свидетелями технического прогресса на каждом жизненном этапе нашей человеческой жизни.
Возникновение технологии проистекает из простой концепции создания мыслей в человеческом уме, рассматриваемой как идея, независимо от того, хороша эта идея или плоха, злонамеренна или благожелательна, бычья или медвежья. Теперь, чтобы воплотить эту идею в жизнь, мы, люди, полагаемся..
Контролируемое обучение
В мире компьютеров программирование и отдача инструкций — обычное дело. Вы когда-нибудь задумывались над тем, могут ли компьютеры извлечь выгоду из этого богатства знаний? Мы все знаем, что память компьютера имеет ограниченный срок службы и рано или поздно заканчивается, поэтому само собой разумеется, что все мы храним все в виде файла или объекта в постоянном хранилище. Утверждение, что компьютеры учатся на ранее полученных данных, широко распространено в области машинного обучения..
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..