5.0 KiB
| title | localeTitle |
|---|---|
| Glossary | Glossário |
Glossário
Uma rápida ou duas frases descrevendo termos comuns. Veja páginas individuais para mais detalhes.
- Machine Learning - Intersecção de estatísticas e ciência da computação em para ensinar os computadores a executar tarefas sem ser explicitamente programado.
- Aprendizado Profundo - Um termo abrangente para métodos de aprendizado de máquina baseado em representações de dados de aprendizado, em oposição a algoritmos baseados no cumprimento de uma determinada tarefa. Inclui arquiteturas como redes neurais profundas, redes de crenças profundas e redes neurais recorrentes.
- Neuroevolution - Um termo genérico para métodos de aprendizado de máquina baseado na geração de redes neurais através do peso, viés e arquitetura através de mutações aleatórias da rede. As formas mais comuns de neuroevolução são Neuroevolução de Topologias Aumentantes ( NEAT ) e Neuroevolução Interactivamente Restrita ( ICONE ).
- Aprendizagem Estatística - o uso de aprendizado de máquina com o objetivo de inferência estatística, em que você tira conclusões dos dados em vez de concentre-se na precisão da previsão
- Aprendizado Supervisionado - Usando dados históricos para prever o futuro. Exemplo: usando dados históricos de preços nos quais as casas foram vendidas para prever o preço em que sua casa será vendida. Regressão e Classificação estão sob o aprendizado supervisionado.
- Aprendizado não supervisionado - Encontrando padrões em dados não rotulados. Exemplo: Agrupando clientes através do comportamento de compra. Clustering vem sob aprendizagem não supervisionada.
- Aprendizado por reforço - Usando um ambiente simulado ou real em que um algoritmo de aprendizado de máquina recebe entrada e recompensas esparsas para construir um modelo para prever ações. Aprendizagem por reforço tem sido usada para treinar robôs virtuais para equilibrar-se e vencer jogos projetados para humanos .
- Regressão - Uma técnica de aprendizado de máquina usada para prever valores contínuos. Regressão Linear é um dos algoritmos de regressão mais populares.
- Classificação - Uma técnica de aprendizado de máquina usada para prever valores discretos. Regressão Logística é um dos algoritmos de classificação mais populares.
- Aprendizagem de Regra de Associação - Um método de aprendizado de máquina baseado em regras para descobrir relações interessantes entre variáveis em grandes bancos de dados.
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.
-
Agrupamento - Agrupamento de dados não rotulados. Identificando padrões usando estatísticas.
-
Redução de Dimensionalidade - Reduzindo o número de variáveis aleatórias nos dados para obter previsões mais precisas.
-
Florestas aleatórias - Florestas aleatórias ou florestas de decisão aleatórias são um método de aprendizado conjunto para classificação, regressão e outras tarefas que operam construindo uma multiplicidade de árvores de decisão no momento do treinamento e gerando a classe que é o modo das classes ou predição da média. árvores individuais. - Redes Bayesianas - Uma rede bayesiana é um modelo gráfico probabilístico que relaciona um conjunto de variáveis aleatórias com suas independências condicionais por meio de um gráfico acíclico dirigido (DAG). De uma maneira simples, relaciona a variável aleatória com suas independências condicionais para a previsão do evento. Ela desempenha um papel crucial na relação de pistas para causar. - Troca de viés-variância - Bias é útil porque nos ajuda a determinar a diferença média em valores previstos e valores reais, enquanto a variância nos ajuda a determinar como predicações diferentes no mesmo conjunto de dados são diferentes umas das outras. Se o preconceito aumenta, então o modelo tem um alto erro nas previsões, o que torna o modelo subalimentado. Uma alta variância faz com que o modelo se sobreponha à medida que o modelo se treina continuamente em apenas um dado conjunto de dados e executa mal nos dados que ainda não viu. Encontrar um equilíbrio entre o viés e a variância é a chave para criar um bom modelo.