Мы живем в самый определяющий период человеческой истории. Здесь компьютер переходит от большого мейнфрейма к контейнерам и облаку.
Мы создадим новый мир, в котором будут умные компьютеры и интеллектуальные устройства, способные принимать решения и улучшать свое поведение на основе прошлого опыта, да, мы говорим о машинном обучении.
Используемый язык: R и Python
Существует 3 типа алгоритмов машинного обучения:
- Контролируемое обучение
- Неконтролируемое обучение
- Обучение с подкреплением
1. Обучение под наблюдением
Этот подход состоит из целевых/результатных данных или переменных (зависимых), которые должны быть предсказаны на основе заданного набора данных (предикторы). Используя этот набор переменных, мы генерируем функции для сопоставления входных данных с выходными.
Здесь процесс обучения продолжается до желаемой степени точности обучающих данных.
Пример: регрессия, дерево решений, случайный лес, KNN и т. д.
2. Обучение без учителя:
Здесь у нас нет переменных цели или результата, которые нужно прогнозировать или оценивать. Он используется для группирования населения в разные группы.
Пример:априорный алгоритм, K-средних
3. Обучение с подкреплением:
Здесь мы обучаем машину принимать конкретное решение, когда машина подвергается воздействию среды, в которой она постоянно обучается, используя следы и ошибки.
Здесь вы изучите прошлый опыт и попытаетесь получить как можно больше знаний, чтобы принять правильное решение.
Пример: Марковский процесс принятия решений
Список команд и популярных алгоритмов машинного обучения:
- Древо решений
- Линейная регрессия
- Логистическая регрессия
- SVM
- Наивный Байес
- КНН
- K-средние
- Случайный лес
- Алгоритм уменьшения размерности
- Алгоритм повышения градиента
я) ГБМ
ii) XGBoost
iii) Легкая ГБМ
г) CatBoost