Hari ini saya akan bercakap dengan anda tentang algoritma pembelajaran mesin, mari lihat!
Algoritma pembelajaran mesin terutamanya termasuk pembelajaran diselia, pembelajaran tanpa penyeliaan, pembelajaran separa penyeliaan, pembelajaran pemindahan dan pembelajaran pengukuhan.
Pembelajaran diselia ialah jenis pembelajaran mesin yang sangat biasa dalam pembelajaran mesin, iaitu latihan apabila input dan output diketahui Cipta model dan petakan input kepada output.
Ciri: Objektif pembelajaran (seperti nilai sebenar, anotasi, dll.) diberikan.
Pembelajaran diselia boleh dibahagikan kepada klasifikasi dan regresi bergantung kepada sama ada hasil sasaran adalah diskret atau berterusan.
Nilai sasaran ramalan jenis ini adalah diskret Contohnya, meramalkan sama ada hujan atau tidak, hanya terdapat dua keputusan akhir , hujan atau Terdapat dua kategori situasi ketika tidak hujan.
Tujuan: Untuk meramalkan hasil pengelasan sampel baharu berdasarkan keputusan sejarah Tugas dua keputusan pengelasan dipanggil tugasan binari atau lebih keputusan pengelasan dipanggil tugasan berbilang pengelasan.
Algoritma biasa: pokok keputusan, hutan rawak, algoritma jiran terdekat K, regresi logistik, mesin vektor sokongan, rangkaian saraf tiruan.
Nilai sasaran ramalan jenis ini adalah berterusan. Contoh biasa ialah meramalkan arah aliran harga hartanah tertentu.
Algoritma: regresi linear, AdaBoosting, dsb.
Ciri pembelajaran tanpa pengawasan ialah ia tidak memerlukan anotasi data, tetapi pembelajaran kendiri dan penyatuan berterusan berdasarkan model, dan akhirnya belajar melalui ringkasan kendiri. Model pembelajaran terutamanya merangkumi pengelompokan dan pengurangan dimensi.
Terutamanya merujuk kepada proses membentuk koleksi objek fizikal atau abstrak kepada pelbagai kategori daripada objek yang serupa, yang boleh difahami sebagai pengelompokan mengikut prinsip yang serupa.
Algoritma: Algoritma biasa termasuk algoritma K-means, algoritma BIRCH dan algoritma DBSCAN.
Data berdimensi tinggi sangat bergantung pada sumber sistem dan prestasi algoritma adalah untuk memproses maklumat yang tidak penting dalam data berdimensi tinggi sambil mengekalkan kebanyakan maklumat penting . Ringkasnya, ia adalah satu proses dari kompleks kepada mudah Jika anda membuat masalah kompleks semudah mungkin, ia akan menjadi lebih sukar untuk menanganinya.
Kelebihan: Menjimatkan ruang, menjimatkan masa yang digunakan oleh algoritma dan mengurangkan penggunaan sumber sistem.
Algoritma: Algoritma Analisis Komponen Utama (PCA)
Pembelajaran separa penyeliaan sesuai untuk sebilangan kecil sampel berlabel dan sebilangan besar sampel tidak berlabel, dan boleh mencapai ramalan ketepatan yang lebih tinggi.
4. Memindahkan pembelajaranDomain sumber: pengetahuan sedia ada; domain sasaran: pengetahuan baharu untuk dipelajari.
5. Pembelajaran Pengukuhan (RL) RL, juga dikenali sebagai pembelajaran pengukuhan, pembelajaran penilaian dan pembelajaran pengukuhan, ialah salah satu paradigma dan metodologi pembelajaran mesin. Tugas pembelajaran pengukuhan adalah untuk membolehkan peranti pintar terus belajar dan mencuba seperti manusia, dan kemudian membuat penyelesaian yang paling ideal dalam persekitaran yang berbeza, mengukuhkan proses membuat keputusan berterusan, dan melalui percubaan berterusan Discover yang satu adalah cara terbaik. Kes: AlphaGo menggunakan algoritma pembelajaran pengukuhan untuk mengalahkan juara dunia Lee Sedol, algoritma pengesyoran video YouTube Google, dsb.Atas ialah kandungan terperinci Asas Kepintaran Buatan: Pengenalan kepada Algoritma Biasa dalam Pembelajaran Mesin. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!