Вопросы реализации алгоритмов машинного обучения. Общие вопросы о машинном обучении должны быть отправлены в их конкретные сообщества.
Машинное обучение вращается вокруг разработки самообучающихся компьютерных алгоритмов, которые функционируют благодаря обнаружению шаблонов в данных и принятию разумных решений на основе таких шаблонов.
Машинное обучение - это область компьютерных наук, которая возникла в результате изучения теории распознавания образов и вычислительного обучения в области искусственного интеллекта. Машинное обучение исследует создание и изучение алгоритмов, которые могут учиться и делать прогнозы относительно данных. Такие алгоритмы работают путем построения модели из примерных входных данных, чтобы делать управляемые данными прогнозы или решения, а не следовать строго статическим программным инструкциям.
ПРИМЕЧАНИЕ. Если вы хотите использовать этот тег для вопроса, не относящегося непосредственно к реализации, рассмотрите возможность размещения на Computer Science, Вместо этого перекрестная проверкаили Data Science. В противном случае вы, вероятно, не по теме.
Классические проблемы:
- Классификация (контролируемое обучение) classificationsupervised-learning
- Регрессия (контролируемое обучение) regression
- Кластеризация (обучение без учителя) cluster-analysisunsupervised-learning
- Оценка плотности
- отбор проб
- Обучение усилению reinforcement-learning
Соответствующие алгоритмы:
- Анализ основных компонентов (PCA) pca
- Искусственные нейронные сети (ANN) neural-network
- Векторные машины поддержки (SVM) svmsupport-vector-machines
- K-ближайший сосед (kNN) knnnearest-neighbor
- k-means k-means
- Байесовские сети bayesian-networks
- Модель гауссовой смеси (GMM) mixture-model
- Деревья решений decisiontrees
- Генетические алгоритмы genetic-algorithm
- Имитация отжига simulated-annealing
- Скрытая марковская модель (HMM) hidden-markov-models
- Условное случайное поле (CRF)
- Фильтр Калмана kalmankalman-filter
- Фильтр частиц particle-filter
- Выборка Гиббса
- Графические модели
- Методы ансамбля (мешки, повышение, ...) ensemble-learning
- Глубокое обучение deep-learning
- Q-Learning q-learning
Приложения:
- Компьютерное зрение (например, отслеживание объектов, распознавание жестов) computer-vision
- Распознавание изображений (например, лицо, походка, радужная оболочка глаза, почерк) image-recognitionface-recognitionocr
- Распознавание речи speech-recognition
- Распознавание динамиков voice-recognition
- Обработка естественного языка (NLP) nlp
- Поиск музыкальной информации (MIR)
- Биоинформатика bioinformatics
- Спам-фильтрация spam-filtering
- Обнаружение аномалий anomaly-detection
- Автоматическое авто вождение
- Система рекомендаций recommendation-engine
- Машинный перевод machine-translation
Програмное обеспечение:
- LibSVMlibsvm
- Wekaweka
- апельсинorange
- Shogunshogun
- scikit учитьсяscikit-learn
- PyBrainpybrain
- Апач Махоутmahout
- RapidMinerrapidminer
- KNIMEknime
- Вафли
- Лазурное машинное обучениеazure-machine-learning
- NLTKnltk
- Caffecaffe
- TensorFlowtensorflow
- Theanotheano
- Keraskeras
- OpenNMTopennmt
- XGBoostxgboost
- CatBoostcatboost
- Стэнфордский CoreNLPstanford-nlp
Связанные - теги:
- supervised-learning
- unsupervised-learning
- deep-learning
- reinforcement-learning
- machine-learning
- computer-vision
- computer-science
- neural-network
- game-theory
- robotics
- ai
- automation
- classification
Видео лекции: -