Алгоритмы искусственного интеллекта обычно делятся на три категории. Это обучение с учителем, обучение без учителя и обучение с подкреплением.
Случай неконтролируемого обучения, целевой результат не указан, и ожидается, что модель сформирует шаблон из заданных входных данных.
Обучение с подкреплением - это особый случай обучения с учителем. В этом учебном случае вам дается рейтинг, который указывает, насколько точным является результат модели.
В методе обучения с учителем в модель вводятся разные данные, и результаты модели сравниваются с фактическими целевыми выходами. Модель пытается минимизировать ошибки.
Обучение с учителем обычно рассматривается в двух разделах: «Классификация» и «Регрессия».
Примером классификационного случая может быть анализ настроений. Например, этот номер в отеле можно считать худшим для проживания → отрицательно. Хороший сервис, хорошее обслуживание, красивый пейзаж → положительно. Результаты уже оказались отрицательными или положительными, и уже наблюдает, какой результат будет сделан.
В регрессии вывод является предпочтительным методом в тех случаях, когда вывод создается из непрерывных чисел, а не из отрицательных, положительных определений. Регрессия может быть областью использования, в которой профессии получают баллы, основанные на вводимых результатах.
Обучение без учителя часто используется для поиска закономерностей во входных данных. Алгоритмы кластеризации относятся к неконтролируемому обучению.
Алгоритмы кластеризации могут использоваться как контролируемыми, так и неконтролируемыми методами в таких ситуациях, как обнаружение аномалий (осведомленность об аномальных ситуациях). Точно так же искусственные нейронные сети также относятся к регрессии и кластеризации.
Выбор алгоритмов для модели - самый главный вопрос. Чтобы дать общее представление об этой ситуации, карта, подготовленная scikit-learn.org, дает общее представление о классификации, кластеризации, регрессии и уменьшении размерности.
Несмотря на то, что множество различных алгоритмов продолжает развиваться, общепринятые из них можно сгруппировать под следующими заголовками.
Простая регрессия
Древо решений
SVM (машина опорных векторов)
Байесовские классификаторы
Кластеризация
PCA (анализ основных компонентов)
Глубокое обучение
Помимо вышеперечисленных алгоритмов, в искусственном интеллекте используется множество алгоритмов. В этом посте мы дали несколько общепринятых названий. В следующих статьях мы будем использовать алгоритмы один за другим.
Используя наш метод вычитания, вы можете еще раз просмотреть ссылку ниже, чтобы вспомнить нашу общую цель.
