Темы

Машинное обучение

Machine Learning · 54 статей

  1. Парадигмы машинного обучения: смещение и дисперсия.

    Обучение с учителем в машинном обучении: суть, принцип работы, обобщение данных и оценка ошибки обобщения. Построение моделей по размеченным данным.

    #5057 · 5 мин чтения

  2. Векторное квантование: классический метод обработки сигналов

    Векторная квантизация (VQ): классический метод обработки сигналов для сжатия данных и моделирования распределений. Основана на прототипах векторов и кластеризации.

    #11253 · 3 мин чтения

  3. Наивный байесовский классификатор: принципы и применение.

    Алгоритм наивного Байеса: простой и масштабируемый классификатор, основанный на теореме Байеса и предположении независимости признаков. Статистика, машинное обучение.

    #19387 · 3 мин чтения

  4. Бустинг в машинном обучении: от слабых к сильным алгоритмам.

    Бустинг в машинном обучении: ансамблевый метод для снижения смещения и дисперсии. Преобразование слабых алгоритмов в сильные. Обучение с учителем.

    #19979 · 5 мин чтения

  5. Алгоритм обучения перцептрона для бинарной классификации

    Персептрон: алгоритм обучения бинарных классификаторов в машинном обучении. Линейный классификатор, основанный на весах и векторах признаков. Теория информации.

    #52521 · 6 мин чтения

  6. Индуктивные предпосылки в машинном обучении

    Индуктивный уклон в машинном обучении: предположения алгоритмов для предсказаний на новых данных. Выбор паттернов обучения и поиск оптимальных решений.

    #52763 · 3 мин чтения

  7. Ранняя остановка в машинном обучении: предотвращение переобучения

    Ранняя остановка в машинном обучении: метод регуляризации для предотвращения переобучения при итеративной тренировке моделей (градиентный спуск).

    #60628 · 3 мин чтения

  8. Размерность Вапника-Червоненкиса в машинном обучении с учителем.

    Размерность VC в машинном обучении: определение, свойства и значение для оценки сложности модели. Теория Vapnik–Chervonenkis и "разрушение" данных.

    #75664 · 4 мин чтения

  9. Методы нелинейного понижения размерности данных

    Нелинейное понижение размерности: обзор алгоритмов для визуализации и анализа данных. Манифолд-обучение, PCA, SVD – упрощение сложных данных.

    #76279 · 15 мин чтения

  10. Принцип минимальной длины описания

    Принцип минимальной длины описания (MDL): выбор модели по кратчайшему описанию данных. Информационная теория, машинное обучение, сжатие данных.

    #80509 · 10 мин чтения

  11. Истинные данные: сбор и применение в различных областях.

    Истина в данных: что такое "ground truth"? Определение, примеры из практики и роль в статистических моделях. Прямые наблюдения vs. выводы.

    #80624 · 5 мин чтения

  12. Математический анализ машинного обучения: Framework PAC-обучения

    PAC-обучение: математический анализ машинного обучения. Фреймворк Лесли Валента для оценки вероятности и точности обобщения гипотез на данных.

    #88307 · 2 мин чтения

  13. Рамки анализа алгоритмов машинного обучения

    Теория алгоритмического обучения: математический анализ алгоритмов машинного обучения без статистических предположений. Основы и отличия от статистической теории.

    #88912 · 4 мин чтения

  14. Теория вычислительного обучения

    Теория машинного обучения: изучение алгоритмов ИИ, проектирование и анализ. Обзор основных концепций и библиография по computational learning theory.

    #89643 · 1 мин чтения

  15. Итеративный метод максимального правдоподобия: алгоритм EM

    Алгоритм EM: итеративный метод поиска максимального правдоподобия в статистических моделях с латентными переменными. Применение: смеси Гаусса, регрессия.

    #103911 · 5 мин чтения

  16. Линейная разделимость множеств точек в евклидовом пространстве.

    Линейная разделимость в геометрии: определение, свойства и применение. Разделение точек на плоскости гиперплоскостью. Важно для машинного обучения и анализа данных.

    #111697 · 2 мин чтения

  17. Снижение размерности в физике: методы и применение

    Уменьшение размерности данных в физике: методы снижения числа переменных для упрощения анализа, визуализации и снижения вычислительной сложности.

    #119341 · 6 мин чтения

  18. Кластерный анализ: методы и применение

    Кластерный анализ: группировка объектов по схожести. Методы, алгоритмы и применение в анализе данных, машинном обучении и других областях.

    #132084 · 8 мин чтения

  19. Алгоритм Баума — Велша для скрытых марковских моделей

    Алгоритм Баума-Велча: вычисление параметров скрытых марковских моделей (HMM) в математике, инженерии и биоинформатике. Основан на алгоритме EM.

    #148006 · 5 мин чтения

  20. Векторная квантизация обучением: алгоритм классификации и прототипы

    Векторная квантизация (LVQ): алгоритм классификации, разработанный Теуво Кохоненом. Основан на обучении Хебба и является предшественником SOM и k-NN.

    #148375 · 1 мин чтения

  21. Мягкое моделирование независимых классов по аналогии (SIMCA) для классификации данных

    Метод SIMCA: статистическая классификация данных, основанная на PCA. Определение принадлежности к классам с учетом вероятностей, а не жесткой категоризации.

    #149739 · 2 мин чтения

  22. Матрица ошибок: визуализация и анализ производительности алгоритмов машинного обучения

    Матрица ошибок (спутанных понятий) в машинном обучении: визуализация производительности алгоритмов классификации. Анализ точности и выявление ошибок.

    #150223 · 2 мин чтения

  23. Парадигма обучения на основе правил: Системы классификаторов

    Системы обучения классификаторов (LCS): машинное обучение на основе правил, генетические алгоритмы, адаптивные системы, ИИ. Применение в моделировании и анализе данных.

    #151194 · 7 мин чтения

  24. Многозадачное обучение в машинном обучении

    Многозадачное обучение (MTL) в машинном обучении: одновременное решение задач для повышения эффективности и точности моделей. Общий подход к переносу знаний.

    #162176 · 5 мин чтения

  25. Меры сходства объектов и их применение в анализе данных

    Меры сходства: определение, применение в статистике, машинном обучении и информационном поиске. Косинусное сходство, kernel-функции и другие метрики.

    #169874 · 6 мин чтения

  26. Метод случайного согласования выборок (RANSAC) для оценки параметров модели при наличии выбросов.

    RANSAC: робастный метод оценки параметров модели при наличии выбросов. Итеративный алгоритм для обнаружения и исключения аномалий в данных.

    #179736 · 8 мин чтения

  27. Генеративные топографические карты: метод машинного обучения

    Генеративная топографическая карта (GTM): метод машинного обучения, вероятностный аналог SOM. Обучение без сжатия окрестности, EM-алгоритм.

    #179952 · 3 мин чтения

  28. Выбор признаков в машинном обучении и статистике

    Выбор признаков в машинном обучении: методы отбора релевантных переменных для упрощения моделей, повышения скорости обучения и избежания "проклятия размерности".

    #190520 · 7 мин чтения

  29. Генеративные модели в статистической классификации

    Генеративные и дискриминативные модели в статистической классификации: Naive Bayes, LDA, логистическая регрессия. Обучение, вероятности, классификация данных.

    #195539 · 2 мин чтения

  30. Признаки в машинном обучении: типы и применение.

    Признаки в машинном обучении: что это такое? Выбор информативных признаков – ключ к эффективным алгоритмам классификации, регрессии и распознавания образов.

    #203838 · 3 мин чтения

  31. Бернхард Шёлкопф: Пионер машинного обучения и причинно-следственного вывода.

    Бернхард Шёлкопф – немецкий ученый в области машинного обучения, эксперт в методах ядра и причинности. Директор института Max Planck, профессор ETH Zürich.

    #210468 · 4 мин чтения

  32. Смешение контекстов: алгоритмы и применение в сжатии данных.

    Смешение контекстов: алгоритм сжатия данных, объединяющий прогнозы моделей для повышения точности. Используется в машинном обучении и PAQ.

    #221047 · 4 мин чтения

  33. Задачи машинного обучения: обучение, валидация и тестирование моделей.

    Машинное обучение: задачи, алгоритмы и построение моделей на данных. Обучение, валидация и тестирование – ключевые этапы создания точных прогнозов.

    #224644 · 4 мин чтения

  34. Категоризация данных и методы классификации в статистике.

    Классификация данных в статистике: определение категорий, анализ признаков (спам-фильтры, диагностика). Методы: сравнение, количественные свойства.

    #230831 · 5 мин чтения

  35. Алгоритм классификации на основе AdaBoost

    AdaBoost: алгоритм машинного обучения для классификации. Объединяет "слабые" алгоритмы, повышая точность прогнозов. Подробное описание и применение.

    #237673 · 5 мин чтения

  36. Алгоритм k ближайших соседей: непараметрический метод классификации и регрессии.

    k-ближайших соседей (k NN): непараметрический метод классификации и регрессии. Обучение без этапа тренировки, взвешивание соседей по расстоянию.

    #250109 · 5 мин чтения

  37. Квадратичный классификатор в статистике

    Квадратичный классификатор в статистике: определение, принцип работы и отличие от линейного. Обучение на основе тренировочных данных для определения класса объекта.

    #251086 · 1 мин чтения

  38. Метод совместного кластеризации строк и столбцов матрицы: обзор техник бикластеризации

    Бикластеризация: метод интеллектуального анализа данных для одновременной кластеризации строк и столбцов матрицы. Поиск схожих паттернов в данных.

    #253606 · 2 мин чтения

  39. Алгоритм ID3 для построения деревьев решений

    Алгоритм ID3: построение дерева решений в машинном обучении. Расчет энтропии, выбор признаков для разбиения, максимальный прирост информации.

    #268775 · 1 мин чтения

  40. Регуляризация в машинном обучении: обобщение и предотвращение переобучения.

    Регуляризация в машинном обучении: методы повышения обобщающей способности моделей и предотвращения переобучения. Явные методы и оптимизация задач.

    #272664 · 6 мин чтения

  41. Индекс Жаккара: мера сходства и различия множеств

    Индекс Жаккара: мера сходства и различия между множествами. История, формула и применение в метеорологии и анализе данных. Коэффициент сообщества.

    #290275 · 2 мин чтения

  42. Medoid

    #309590 · 10 мин чтения

  43. Оценка обобщающей способности алгоритмов машинного обучения

    Ошибка обобщения в машинном обучении: оценка точности алгоритмов на новых данных, избежание переобучения и использование кривых обучения.

    #312585 · 2 мин чтения

  44. Информационный прирост: получение выгоды от наблюдения другой переменной.

    Информационный прирост: определение, применение в машинном обучении и теории информации. Kullback–Leibler divergence, взаимная информация, деревья решений.

    #316725 · 3 мин чтения

  45. Границы принятия решений в задачах классификации

    Границы принятия решений в машинном обучении: что это такое, как работают и когда они размыты. Объяснение гиперповерхностей и линейной классификации.

    #333359 · 2 мин чтения

  46. Projection pursuit

    #341274 · 2 мин чтения

  47. Классификация и методы бинарной и мультиклассовой классификации

    Классификация данных: Байесовский классификатор, бинарная классификация, правила классификации, признаки и объекты. Оптимальное предсказание классов.

    #352991 · 6 мин чтения

  48. Многофакторное понижение размерности: методы, применение и интерпретация.

    Метод снижения размерности MDR: выявление неаддитивных взаимодействий признаков для бинарной классификации. Альтернатива логистической регрессии в машинном обучении.

    #373256 · 3 мин чтения

  49. Теория вычислительного обучения: понятия и классы концепций

    Теория вычислительного обучения: понятия, классы понятий и их роль в математике и машинном обучении. PAC-обучение и модели классификации.

    #377762 · 1 мин чтения

  50. Метод ядер в машинном обучении: анализ закономерностей и "ядерный трюк"

    Метод машинного обучения: Kernel Machines (SVM). Анализ данных, нелинейные задачи, кластеризация, классификация. Обучение без явного преобразования признаков.

    #383382 · 4 мин чтения

  51. Выбор статистической модели: методы и принципы.

    Выбор статистической модели: критерии, методы и важность простоты (бритва Оккама). Оптимизация моделей машинного обучения и статистического анализа.

    #399170 · 4 мин чтения

  52. Многомерная статистическая классификация в маркетинге: методы и применение

    Геодемографическая сегментация в маркетинге: многомерный статистический анализ для выявления групп потребителей. K-means и другие алгоритмы.

    #417077 · 5 мин чтения

  53. Условные случайные поля: методы статистического моделирования и современные подходы.

    Условные случайные поля (CRF): методы статистического моделирования для машинного обучения и распознавания образов. Учитывают контекст, повышая точность прогнозов.

    #424753 · 3 мин чтения

  54. Джон Росс Куинлан: Пионер алгоритмов машинного обучения и деревьев решений

    Джон Росс Куинлан: учёный в области data mining и теории принятия решений. Разработчик алгоритмов C4.5, ID3, FOIL. Основатель RuleQuest Research.

    #439233 · 2 мин чтения