Свързани публикации 'unsupervised-learning'
A45: Клъстериране — Неконтролирано машинно обучение
k-средни, k-medoids, агломеративно - йерархично групиране, дендрограма, DBSCAN, ОПТИКА
Тази статия е част от „Наука за данни от нулата — мога ли да мога““, поредица от книги с бележки по лекции. ( щракнете тук, за да получите вашето копие днес !)
Щракнете тук за предишната статия/лекция на тема „A44: Поддържащи векторни машини (SVM) срещу логистична регресия — Практика и сравнения [пълен проект с код]“
💐Щракнете тук, за да МЕ СЛЕДВАТЕ за ново съдържание💐
⚠️ В тази..
Какво е машинно обучение
Днес нека поговорим за машинно обучение!!
Машинното обучение е подполе на изкуствения интелект (AI), което се фокусира върху разработването на алгоритми и модели, които позволяват на компютрите да се учат от и да правят прогнози или решения въз основа на данни. В традиционното програмиране хората пишат изрични инструкции за решаване на определен проблем. При машинното обучение подходът е различен, вместо да бъде изрично програмирана, системата за машинно обучение се учи от данни и..
ML-K-означава групиране
Учене без надзор
Без надзор и групиране?
Данните не винаги са етикетирани в реалния живот. Методите, които използваме, за да намерим модели в тези данни, се наричат „Учене без надзор“. Клъстерирането е добре познат метод за обучение без надзор. Той групира подобни данни, за да можем да намерим модела/структурата на данните.
К-означава?
„K“ е броят на клъстерите, в които искаме да групираме данните. „Средно“ е средното разстояние между примерите (точките с данни) и центъра на..
Машинно обучение: Изчерпателно ръководство за начинаещи
Машинното обучение се превърна в неразделна част от живота ни, революционизирайки различни индустрии и позволявайки разработването на иновативни решения. От персонализирани препоръки за стрийминг платформи до самоуправляващи се автомобили, алгоритмите за машинно обучение са в основата на тези подобрения. За новодошлите обаче разбирането на тънкостите на машинното обучение може да бъде плашещо. В тази статия ще демистифицираме света на машинното обучение, предоставяйки изчерпателно..
Метрики за оценки
Извършили сте цялото почистване на данни, приложили сте различни EDA и техники за инженеринг на функции и сте използвали различен модел за обучение, но как да решите дали моделът работи добре или зле. Това е мястото, където се появяват различни показатели за оценка.
Изборът на подходящ показател за оценка е важен, защото може да повлияе на избора ви на модел или да реши дали да пуснете модела си в производство. Нека да видим долните 2 примера,
За проблем с класификацията, вашият..
Проучване на обучението по модел на машинно обучение: от контролирано и неконтролирано до подсилване…
Машинното обучение (ML) е област на изкуствения интелект (AI), която се фокусира върху изграждането на алгоритми, които могат да се учат от данни и да правят прогнози или решения въз основа на това обучение. Обучението по ML модели е решаваща стъпка в изграждането на ефективни ML модели. Има различни видове методи за обучение по модел на машинно обучение, включително контролирано, неконтролирано и обучение с подсилване.
Наблюдаваното обучение е вид обучение на ML модел, при което..
Как неконтролираното машинно обучение може да се използва в наша полза?
Как неконтролираното машинно обучение може да се използва в наша полза?
Въпреки че има много машинно обучение и модели за задълбочено обучение , създадени в областта на науката за данни , все още остава област, която би представлявала интерес за ни, което е известно като неконтролирано машинно обучение . Тъй като има изобилие от данни в различни формати, лесно е да се стигне до извода, че данните са огромни и могат да се използват за целите на машинното обучение. Въпреки това е..