Maschinelles Lernen: Ein Einführungs-Tutorial für Anfänger | von Dr. Arun Kumar Pandey (Ph.D.) | Juni 2023

Analytics ist eine Sammlung von Techniken und Instruments, die zur Wertschöpfung aus Daten verwendet werden. Zu den Techniken gehören Konzepte wie

1. Künstliche Intelligenz (KI),
2. maschinelles Lernen (ML),
3. Deep-Studying-Algorithmen (DL).

Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz (KI) und der Informatik, der sich auf die Verwendung von Daten und Algorithmen konzentriert, um die Artwork und Weise, wie Menschen lernen, nachzuahmen und die Genauigkeit schrittweise zu verbessern. Ein maschinelles Lernsystem lernt aus historischen Daten, erstellt Vorhersagemodelle und sagt jedes Mal, wenn es neue Daten empfängt, die Ausgabe dafür voraus.

Es gibt drei Hauptkategorien von Algorithmen für maschinelles Lernen:

1. Überwachtes maschinelles Lernen

Überwachtes Lernen ist die Artwork des maschinellen Lernens, bei dem Maschinen mithilfe intestine „beschrifteter“ Trainingsdaten trainiert werden und auf der Grundlage dieser Daten die Ergebnisse vorhergesagt werden.

2. Unüberwachtes maschinelles Lernen

Unüberwachtes Lernen ist eine weitere Artwork des maschinellen Lernens, bei dem der Pc mit unbeschrifteten Daten trainiert wird, was bedeutet, dass die Daten keine bereits vorhandenen Etiketten oder Ziele haben. Das Ziel des unüberwachten Lernens besteht darin, versteckte Muster oder Strukturen in den Daten zu finden, ohne auf einen gekennzeichneten Datensatz angewiesen zu sein.

3. Verstärkungslernen

Reinforcement Studying (RL) ist eine Artwork maschineller Lernalgorithmus, der es einem Agenten ermöglicht, durch Versuch und Irrtum zu lernen, indem er mit einer Umgebung interagiert. Der Agent erhält Suggestions in Kind von Belohnungen oder Strafen für die Aktionen, die er in der Umgebung durchführt. Das Ziel des Agenten besteht darin, eine Richtlinie zu erlernen, die die Gesamtbelohnung, die er im Laufe der Zeit erhält, maximiert.

Verwendung des unterschiedlichen Algorithmus

Lebenszyklus des maschinellen Lernens

Der Lebenszyklus des maschinellen Lernens ist ein zyklischer Prozess zum Aufbau eines effizienten maschinellen Lernprojekts. Der Hauptzweck des Lebenszyklus besteht darin, eine Lösung für das Drawback oder Projekt zu finden. Der Lebenszyklus des maschinellen Lernens umfasst sieben Hauptschritte, die im Folgenden aufgeführt sind:

1. Daten sammeln
2. Datenaufbereitung
3. Daten-Wrangling
4. Daten analysieren
5. Trainieren Sie das Modell
6. Testen Sie das Modell
7. Einsatz

1. https://github.com/arunsinp/Machine-Learning/
2. https://github.com/arunsinp/Machine-Learning/blob/main/ML-Fundamental/0.1-ML-algorithms.ipynb
3. https://github.com/arunsinp/Machine-Learning/tree/main