Algorithmen für maschinelles Lernen auf einen Schlag. | von thefaheemkhan | Juni 2023

Übersicht aller wichtigen Machine-Studying-Algorithmen.

1. Algorithmen für maschinelles Lernen ermöglichen es Computern, aus Daten zu lernen und Vorhersagen oder Entscheidungen zu treffen.
2. Sie können in überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen eingeteilt werden.

Regression: Prognostiziert eine kontinuierliche Ausgabevariable basierend auf Eingabemerkmalen.

1. Lineare Regression
2. Polynomielle Regression
3. Unterstützen Sie die Vektorregression
4. Entscheidungsbaum-Regression
5. Zufällige Waldregression
6. Gradientenverstärkende Regression

Klassifizierung: Weist Eingabedaten diskreten Kategorien oder Klassen zu.

1. Logistische Regression
2. Naiver Bayes
3. Okay-Nächste Nachbarn (KNN)
4. Entscheidungsbäume
5. Zufällige Wälder
6. Assist Vector Machines (SVM)
7. Gradientenverstärkende Klassifikatoren
8. Neuronale Netze (Deep Studying)

Clustering: Gruppiert ähnliche Datenpunkte basierend auf ihren Eigenschaften.

1. Okay-Means-Clustering
2. Hierarchisches Clustering
3. DBSCAN
4. Gaußsche Mischungsmodelle (GMM)

Dimensionsreduktion: Reduziert die Anzahl der Eingabefunktionen und behält gleichzeitig wichtige Informationen bei.

1. Hauptkomponentenanalyse (PCA)
2. Singularwertzerlegung (SVD)
3. t-verteilte stochastische Nachbareinbettung (t-SNE)

Lernen von Assoziationsregeln: Identifiziert Beziehungen und Muster in Daten.

1. Apriori-Algorithmus
2. Eclat-Algorithmus

1. Q-Studying: Erlernt eine optimale Richtlinie durch Versuch-und-Irrtum-Interaktionen mit einer Umgebung.
2. Tiefe Q-Netzwerke (DQN): Kombiniert Q-Studying mit tiefen neuronalen Netzen.
3. Richtliniengradientenmethoden: Optimiert Richtlinien durch direkte Optimierung der erwarteten Belohnung.

Absacken: Konstruiert mehrere Modelle unter Verwendung unterschiedlicher Teilmengen der Trainingsdaten und kombiniert ihre Vorhersagen.

1. Zufällige Wälder

Erhöhen: Erstellt Modelle iterativ und verleiht falsch klassifizierten Instanzen mehr Bedeutung.

1. AdaBoost
2. Steigungsverstärkung

Stapeln: Kombiniert Vorhersagen aus mehreren Modellen mithilfe eines anderen Modells, das als Meta-Learner bezeichnet wird.

1. Feedforward-Neuronale Netze
2. Faltungs-Neuronale Netze (CNN)
3. Wiederkehrende neuronale Netze (RNN)
4. Langes Kurzzeitgedächtnis (LSTM)
5. Generative Adversarial Networks (GAN)

1. Genauigkeit, Präzision, Rückruf, F1-Rating (zur Klassifizierung)
2. Mittlerer quadratischer Fehler, mittlerer quadratischer Fehler (für Regression)
3. Silhouette Rating (für Clustering)
4. Belohnung, Erfolgsquote (für verstärkendes Lernen)

1. Algorithmen des maschinellen Lernens bieten eine breite Palette an Techniken zur Lösung verschiedener Aufgaben.
2. Das Verständnis der Eigenschaften und geeigneten Anwendungsfälle verschiedener Algorithmen ist entscheidend für den erfolgreichen Einsatz in realen Szenarien.
3. Die Auswahl des Algorithmus hängt von der Artwork des Issues, den verfügbaren Daten und dem gewünschten Ergebnis ab.