40 lines
8.2 KiB
Markdown
40 lines
8.2 KiB
Markdown
|
---
|
|||
|
|
title: Glossary
|
|||
|
|
localeTitle: глоссарий
|
|||
|
|
---
|
|||
|
|
## глоссарий
|
|||
|
|
|
|||
|
|
Быстрое одно или два предложения, описывающие общие термины. См. Отдельные страницы для более подробно.
|
|||
|
|
|
|||
|
|
* **Machine Learning** - Пересечение статистики и информатики в чтобы научить компьютеры выполнять задачи без явного программирования.
|
|||
|
|
* **Глубокое обучение** - общий термин для методов машинного обучения, основанный на представлении данных обучения, в отличие от алгоритмов, основанных на выполнении данной задачи. Он включает в себя такие архитектуры, как глубокие нейронные сети, сети глубоких убеждений и повторяющиеся нейронные сети.
|
|||
|
|
* **Neuroevolution** - **универсальный** термин для методов машинного обучения, основанный на генерации нейронных сетей через вес, смещение и архитектуру посредством случайных мутаций сети. Наиболее распространенными формами нейроэволюции являются нейроэволюция дополняющих топологий ( [NEAT](https://en.wikipedia.org/wiki/Neuroevolution_of_augmenting_topologies) ) и интерактивно ограниченная [нейроэволюция](http://ikw.uni-osnabrueck.de/~neurokybernetik/media/pdf/2012-1.pdf) ( [ICONE](http://ikw.uni-osnabrueck.de/~neurokybernetik/media/pdf/2012-1.pdf) ).
|
|||
|
|
* **Статистическое обучение** - использование машинного обучения с целью статистический вывод, в котором вы делаете выводы из данных, а не сосредоточить внимание на точности прогнозирования
|
|||
|
|
* **Управленческое обучение** - использование исторических данных для прогнозирования будущего. Пример: использование исторических данных о ценах, в которых продавались дома, для прогнозирования цены, в которой будет продаваться ваш дом. Регрессия и классификация подпадают под контролируемое обучение.
|
|||
|
|
* **Неконтролируемое обучение** - поиск шаблонов в немаркированных данных. Пример. Группировка клиентов путем покупки. Кластеризация происходит под неконтролируемым обучением.
|
|||
|
|
* **Усиление обучения** - использование имитируемой или реальной среды, в которой алгоритм машинного обучения получает ввод и разреженные вознаграждения для построения модели для прогнозирования действий. Усиление обучения использовалось [для обучения виртуальных роботов, чтобы сбалансировать себя](https://blog.openai.com/competitive-self-play/) и [победить в играх, предназначенных для людей](https://blog.openai.com/openai-baselines-dqn/) .
|
|||
|
|
* **Регрессия** . Метод машинного обучения, используемый для прогнозирования непрерывных значений. Линейная регрессия - один из самых популярных алгоритмов регрессии.
|
|||
|
|
* **Классификация** - метод машинного обучения, используемый для прогнозирования дискретных значений. Логистическая регрессия - один из самых популярных алгоритмов классификации.
|
|||
|
|
* **Обучение правилу ассоциации** - метод машинного обучения на основе правил для обнаружения интересных связей между переменными в больших базах данных.
|
|||
|
|
```
|
|||
|
|
f: x -> y
|
|||
|
|
|
|||
|
|
Here 'f' is a function that takes 'x' as input and produces 'y' as output.
|
|||
|
|
|
|||
|
|
If the output value 'y' is a real number / continous value then the function
|
|||
|
|
is a regression technique.
|
|||
|
|
|
|||
|
|
If the output value 'y' is a discrete / categorical value then the function is a classification technique.
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
* **Кластеризация** - группировка немаркированных данных. Определение шаблонов с использованием статистики.
|
|||
|
|
|
|||
|
|
* **Уменьшение размерности.** Уменьшение числа случайных величин в данных для получения более точных прогнозов.
|
|||
|
|
|
|||
|
|
* **Случайные леса.** Случайные леса или леса с произвольным решением являются методом обучения ансамблем для классификации, регрессии и других задач, которые работают путем построения множества деревьев решений во время обучения и вывода класса, который является режимом классов или средним предсказанием отдельные деревья. - **Байесовские сети.** Байесовская сеть представляет собой вероятностную графическую модель, которая связывает набор случайных величин со своими условными независимыми функциями через ориентированный ациклический граф (DAG). Простым образом он связывает случайную переменную с их условными независимыми значениями для предсказания события. Она играет решающую роль в связи с ключом к делу. - **Компромисс** смещения смещения - смещение полезно, потому что оно помогает нам определить среднюю разницу в прогнозируемых значениях и фактических значениях, тогда как дисперсия помогает нам определить, как разные предикаты одного набора данных отличаются друг от друга. Если смещение увеличивается, то модель имеет высокую погрешность в прогнозах, что делает модель недооцененной. Высокая дисперсия делает модель переоценкой, поскольку модель постоянно движется только по данному набору данных и плохо выполняет данные, которые она еще не увидела. Поиск баланса между смещением и дисперсией является ключом к созданию хорошей модели.
|
|||
|
|
|
|||
|
|
|
|||
|
|
### Дополнительная информация:
|
|||
|
|
|
|||
|
|
* [Глоссарий терминов - робототехника](http://robotics.stanford.edu/~ronnyk/glossary.html)
|
|||
|
|
* [Глоссарий терминов - машинное обучение, статистика и наука о данных](https://www.analyticsvidhya.com/glossary-of-common-statistics-and-machine-learning-terms/)
|