[PYTHON] Klassifikation des maschinellen Lernens

Einführung

In welcher Reihenfolge sollen wir anfangen, maschinelles Lernen zu studieren? Das war auch für mich sehr nervig. Schließlich hatte ich nicht einmal viel Grundwissen, also beschloss ich, es zusammenzufassen, weil ich irgendwie die Richtung sehen konnte, in der ich verschiedene Dinge durchging. Es ist ein Rätsel, ob es für alle hilfreich sein wird.

Es gibt eine Bibliothek, damit Sie sie verwenden können

Das ist wirklich richtig. Sie können ein Auto fahren, ohne zu wissen, wie der Motor funktioniert. Wichtig ist, welchen Wert Sie mit Ihrem Auto schaffen. Sie haben keine Zeit, die Räder neu zu erfinden. Wenn Sie Scikit-Learn für maschinelles Lernen und Tensorflow für Deep Learning verwenden, können Sie jetzt und junge KI in kürzester Zeit verwenden!

Das stimmt, aber ich denke, es ist besser, die zugrunde liegende Theorie und das zugrunde liegende Wissen zu haben, damit Sie Werkzeuge angemessener und effektiver auswählen können. Ah, ich denke, es ist sehr wichtig, intuitiv verstehen zu können, dass dieser Fall auf diese Weise gelöst werden sollte.

Also wie

Am Ende hatte ich scikit-learn Cheat Sheet und Microsoft Cheat Sheet. .com / ja-jp / azure / maschinelles Lernen / Algorithmus-Spickzettel). Ich fand, dass die Klassifizierung des maschinellen Lernens gut organisiert war. scikit-learn ist etwas enger und ich denke, Microsoft ist besser für den Umgang mit einem breiteren Spektrum von Feldern und neuen Feldern geeignet.

In Zukunft werde ich die Python-Implementierung betrachten, ohne mich auf die Bibliothek aus der theoretischen Geschichte zu den folgenden Elementen zu verlassen. Dann möchte ich fortfahren, damit die Bibliothek genutzt werden kann. Es gibt bereits viele ähnliche und bessere Artikel, daher denke ich, dass ich sie oft verrate (Unterlassungserklärung).

Ich werde die Mathematik auf Highschool-Niveau (Differentialintegration, Matrix, Wahrscheinlichkeitsstatistik usw.) weglassen, die für das Verständnis und die grundlegende Verwendung von Python erforderlich ist.

Erstens die Klassifizierung des maschinellen Lernens

Es gibt drei Hauptkategorien.

Mit einem Lehrer lernen

Lernen Sie die Ausgabe für verschiedene Eingaben und schätzen Sie die Ausgabe für unbekannte Eingaben. Das Schätzen des Preises eines Hauses, das Schätzen der Qualität von Wein und das Erkennen handgeschriebener Zeichen werden durch überwachtes Lernen realisiert.

Lernen ohne Lehrer

Es wird verwendet, um hochdimensionale Daten zu organisieren und auf niedrigdimensionale Daten zu projizieren (Dimensionsreduktion) oder um Daten zu kategorisieren. Die Klassifizierung von Iris erfolgt durch Lernen ohne Lehrer.

Lernen stärken

Erlernen der Maßnahmen zur Maximierung der Belohnungen. Programme, die Spiele erfassen, und die sogenannte KI für Go und Shogi basieren auf verbessertem Lernen.

scikit-learn Spickzettel

Da es sich ursprünglich um eine auf maschinelles Lernen spezialisierte Bibliothek handelte, werden die Grundlagen unterdrückt. Eine ausführliche Erklärung finden Sie unter "[Was ist Scikit-Learn? Zusammenfassung dessen, was Sie mit Scikit-Learn in 5 Minuten tun können](https://ai-kenkyujo.com/2019/07/08/can-do-with-scikit-learn /) ”, Betrachten Sie zunächst den grundlegenden Algorithmus.

Regression

Es gibt viele Regressionsanalysen,

• Lineare Regression
• Einfache Regression
• Multiple Regression
• Regression der Basisfunktion
• Gradientenabstiegsmethode
• Regularisierung: Lasso-Regression / Ridge-Regression / ElasticNet-Regression

Um.

Einstufung

Unterscheiden Sie zwischen Hunden, Katzen und Vögeln und erkennen Sie Zeichen

• 2 Klassenklassifizierung
• Einfaches Perceptron
• Logistische Rückgabe
• Vektormaschine unterstützen
• Basic
• Anwendung
• Mehrklassenklassifizierung
• 2 Mehrklassenklassifizierung
• Theorie
• Implementierung
• k Nachbarschaftsmethode (kNN-Methode)
• Entscheidungsbaum
• Absacken
• Erhöhen
• Zufälliger Wald

Eine solche.

Clustering

• k-bedeutet Methode

Und.

Dimensionsreduzierung

• PCA (Hauptkomponentenanalyse)
• Kernel-Hauptkomponentenanalyse
• Matrix Factorication

Microsoft Spickzettel

Microsoft konzentriert sich sehr auf maschinelles Lernen und hat viele Artikel veröffentlicht.

Textanalyse (Verarbeitung natürlicher Sprache)

Morphologische Analyse, statistische Analysevektorisierung usw.

Bildklassifizierung

Rang lernen

Zusammenfassung

Irgendwann werde ich neuronale Netze und tiefes Lernen studieren und ich habe vor, mich dem Kaggle zuzuwenden, aber ich möchte mit den Klassikern beginnen.