19 lines
2.7 KiB
Markdown
19 lines
2.7 KiB
Markdown
---
|
||
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) |