WikiSort.ru - Не сортированное

Машинное обучение и data mining

Задачи Задача классификации Обучение без учителя Обучение с частичным привлечением учителя Регрессионный анализ AutoML Ассоциативные правила Выделение признаков Обучение признакам Обучение ранжированию Грамматический вывод Онлайновое обучение

Обучение с учителем Метод k-ближайших соседей Наивный байесовский классификатор Дерево решений Метод опорных векторов Линейная регрессия Логистическая регрессия Перцептрон Ансамбли моделей (Бэггинг, Бустинг, Random forest) Метод релевантных векторов

Кластерный анализ Метод k-средних Метод нечёткой кластеризации Иерархическая кластеризация EM-алгоритм BIRCH CURE DBSCAN OPTICS Mean-shift

Снижение размерности Факторный анализ Метод главных компонент CCA ICA LDA Неотрицательное матричное разложение t-SNE

Структурное прогнозирование Графовая вероятностная модель (Байесовская сеть, Скрытая марковская модель, CRF)

Выявление аномалий Метод k-ближайших соседей Локальный уровень выброса

Графовые вероятностные модели Байесовская сеть Марковская сеть Скрытая марковская модель

Искусственные нейронные сети Ограниченная машина Больцмана Самоорганизующаяся карта Функция активации (Сигмоида, Softmax, Радиально-базисная функция) Метод обратного распространения ошибки Глубокое обучение Многослойный перцептрон Рекуррентная нейронная сеть (Долгая краткосрочная память, Управляемый рекуррентный блок) Свёрточная нейронная сеть (U-Net) Автокодировщик

Обучение с подкреплением Марковский процесс Уравнение Беллмана Жадный алгоритм Q-learning SARSA Temporal difference (TD)

Теория Теория Вапника — Червоненкиса Дилемма смещения–дисперсии Теория вычислительного обучения Минимизация эмпирического риска Оккамово обучение PAC learning Статистическая теория обучения

Журналы и конференции NIPS ICML ML JMLR ArXiv:cs.LG

Глоссарий Глоссарий по машинному обучению

Статьи по теме List of datasets for machine-learning research Outline of machine learning

Автоматическое обучение машин (AutoML) — это процесс автоматизации сквозного процесса применения обучения машины к задачам реального мира. В типичном приложении обучения машины практический работник должен применить подходящие методы предварительной обработки данных, конструирования признаков, выделения признаков и выбора признаков^[en], которые делают набор данных пригодным для обучения машин. После этих шагов работник должен осуществить выбор алгоритма^[en] и оптимизацию гиперпараметров для максимизации прогнозируемой производительности конечной модели обучения машин. Поскольку многие из этих шагов не могут осуществить люди, не будучи экспертами, был предложен AutoML как основанное на искусственном интеллекте решение для всё возрастающей необходимости применения обучения машин^[1][2]. Автоматизация сквозного процесса применения обучения машин даёт преимущество получения более простых решений, более быстрого создания таких решений и моделей, которые часто превосходят модели, построенные вручную.

Цели автоматизации

Автоматическое обучение машин может иметь целью различные стадии процесса обучения машины:^[2]

• Автоматическая подготовка данных^[en] и сбор и сохранение данных (из сырых данных и разнообразных форматов)
  • Автоматическое определение типа столбца; например, булевские данные, дискретные численные данные, непрерывные числовые значения или текст
  • Автоматическое определение смысла столбца; например, цель/метка, поле районирования, числовой признак, текстовая категория или свободный текст
  • Автоматическое обнаружение задач; например, двоичная классификация, регрессия, выделение кластеров или ранжирование
• Автоматическое конструирование признаков
  • Выбор признаков^[en]
  • Выделение признаков
  • Метаобучение^[en] и перенос обучения^[en]
  • Обнаружение и обработка асимметричных данных и/или отсутствующих значений
• Автоматический выбор модели
• Оптимизация гиперпараметров алгоритма обучения и характеризации
• Автоматический выбор каналов по времени, памяти и ограничений сложности
• Автоматический выбор метрик оценки / процедур валидации
• Автоматическая проверка задач
  • Определение утечки
  • Определение ошибок в конфигурации
• Автоматический анализ полученных результатов
• Пользовательские результаты и визуализация для автоматического обучения машин

Примеры

Программное обеспечение различных стадий AutoML:

См. также

• Оптимизация гиперпараметров
• Выбор модели
• Нейроэволюция
• Автоподстройка^[en]

Примечания

Литература

Для улучшения этой статьи желательно: Проверить качество перевода с иностранного языка. Исправить статью согласно стилистическим правилам Википедии.