---
title: Learning Equals Representation Evaluation Optimization
localeTitle: Оптимизация оценки интересов равных представлений
---
## Оптимизация оценки интересов равных представлений

В последние годы область машинного обучения взорвалась, и исследователи разработал огромное количество алгоритмов на выбор. Несмотря на это великое множество моделей на выбор, все они могут быть перегоняны на три компоненты.

Три компонента, которые составляют модель машинного обучения, представляют собой представление, оценки и оптимизации. Эти три наиболее непосредственно связаны с контролируемое обучение, но это может быть связано и с неконтролируемым обучением.

**Представление** - это описание того, как вы хотите посмотреть ваши данные. Иногда вы можете подумать о своих данных с точки зрения отдельных лиц (например, в k-ближайших соседей) или как на графике (как в байесовских сетях).

**Оценка** - для контролируемых целей обучения вам необходимо оценить или поместите оценку того, насколько хорошо ваш ученик делает это, чтобы он мог улучшиться. Эта оценка выполняется с использованием функции evaulation (также известной как _объективная функция_ или _функция_ _подсчета очков_ ). Примеры включают точность и квадрат ошибки.

**Оптимизация** - используя функцию оценки сверху, вам нужно найти учащийся с лучшим результатом этой функции оценки, используя выбор метод оптимизации. Примерами являются жадный поиск и градиентный спуск.

#### Дополнительная информация:

*   [Несколько полезных вещей, которые нужно знать о механическом обучении](https://homes.cs.washington.edu/~pedrod/papers/cacm12.pdf)