Einführung in die Anmerkungen zur künstlichen Intelligenz
0 Bericht
Einführung in die Anmerkungen zur künstlichen Intelligenz
Verwandte Empfehlungen
Weitere Werke des Autors
Gliederung/Inhalt
Mehr anzeigen
maschinelles Lernen
Definition
Was ist maschinelles Lernen?
Spam-Klassifizierung
Aufgabe T: E-Mails als Spam und nicht als Spam identifizieren
Leistung P: E-Mails korrekt als Spam/Nicht-Spam identifizieren
Schulungslektion E: Beobachten Sie die E-Mails, die Sie als Spam oder Nicht-Spam markieren
Lernproblem bei der Handschrifterkennung
Aufgabe T: Handgeschriebenen Text in Bildern erkennen und klassifizieren
Leistung P: Klassifizierungsgenauigkeit
Trainingserfahrung E: Handschriftliche Textdatenbank mit bekannter Klassifizierung
Klassifizierung des maschinellen Lernens
überwachtes Lernen
K-Nearest-Algorithmus
Entscheidungsbaum
lineare Regression
Support-Vektor-Maschine
unbeaufsichtigtes Lernen
Clusterbildung
Autoencoder
schwach überwachtes Lernen
halbüberwachtes Lernen
Transferlernen
Quelldomäne und Zieldomäne
Kernziele
Übertragen Sie Wissen von der Quelldomäne auf die Zieldomäne
Implementierungsmethode
Beispielmigration
Funktionsübertragung
Modellmigration
Verstärkungslernen
Ziel
Strategie
erkunden
verwenden
Klassifizierung nach Lernergebnis
zurückkehren
Einstufung
Clusterbildung
Dimensionsreduktion
wichtige Konzepte
Beispiele und Proben
Datensatz
Eigenschaften und Merkmale
Attributraum
Eigenvektor
Lernen und Training
Trainingsdaten
Trainingsbeispiele
Trainingsset
Hypothese
die wahrheit
verallgemeinern
Allgemeiner Ablauf
Sammeln Sie Daten
Datenmenge
Datenqualität
Verteilung von Daten
Datenaufbereitung (Vorverarbeitung)
Mögliche Probleme mit Daten
fehlende Daten
Lärm
inkonsistent
überflüssig, unausgewogen
wiederholen
Normalisierung
Feature-Engineering
Partitionierung von Datensätzen
Trainingsset: Trainingsmodell
Testsatz: Bewerten Sie das endgültige Modell
Validierungssatz: Wird zum Optimieren und Auswählen von Modellen verwendet
Datenbereinigung
löschen
Manuelle Befüllung
automatisch ausfüllen
Ausreißer
Typkonvertierung
Numerischer Typ
kontinuierlich
Diskret
nicht numerischer Typ
Es gibt Kategorien
Nicht-Kategorie
Wählen Sie einen Algorithmus zum Erstellen eines Modells
Modell auswählen
Trainingsmodell
Bewertungsmodell
Leistungskennzahlen
Präzision
ROC
Verlustfunktion
Schwarmintelligenz-Algorithmus
Definition
Schwarmintelligenz
Schwarmintelligenz-Algorithmus
genetischer Algorithmus
grundlegender genetischer Operator
Betreiber auswählen
Crossover-Operator
Mutationsoperator
fünf Grundelemente
Parameterkodierung
binäre Kodierung
Eindimensionale Methode zur Chromosomenkodierung
Vorteil
Mangel
echte Kodierung
Anfängliche Gruppeneinstellungen
Erzeugung der Anfangspopulation
Bestimmung der Populationsgröße
Gestaltung der Fitnessfunktion
Täuschungsproblem
vorzeitige Konvergenz
Stagnationsphänomen
Genmanipulationsdesign
Kontrollparametereinstellungen
kreuzen
ein kleiner Crossover
Zweipunkt-Schnittpunkt
Crossover-Wahrscheinlichkeit
Mutationen
Konzept
Ändern Sie zufällig einige Bits in einzelnen Codes
Hauptzweck
Grundlegende Inhalte
Mutationswahrscheinlichkeit
Mutationsmethode
Standortvariation
Rückmutation
Insertionsmutation
Suchtechnologie
Suchstrategie
Blindsuche: keine Informationsführung
Heuristische Suche
blinde Suche
Tiefensuche
Grundgedanke
Breitensuche zuerst
Grundgedanke
Vergleichen Sie Gemeinsamkeiten, Unterschiede, Vor- und Nachteile
Heuristische Suche
Ein Algorithmus
A*-Algorithmus
Spielsuche
a-b-Beschneidungsalgorithmus
Monte-Carlo-Baum
wählen
Expandieren
Simulation
zurückkehren
Vertrauensvolle Online-Entscheidungsmethode
Faktor 1
Faktor 2
Sammeln
Sammeln
Sammeln
0 Kommentare
Nächste Seite