Понимание машинного обучения: от теории к алгоритмическим решениям PDF:Машинное обучение — одна из самых популярных областей информатики с широким спектром приложений. Целью этого учебника является последовательное введение в машинное обучение и предлагаемые им алгоритмические парадигмы. В этой книге дается подробный теоретический обзор фундаментальных концепций, лежащих в основе машинного обучения, и математических выводов, которые превращают эти концепции в практические алгоритмы. После обзора основ этой области в книге рассматривается широкий круг существенных вопросов, которые не были освещены в предыдущих учебниках. Среди них обсуждение вычислительной сложности обучения и идей выпуклости и устойчивости.

Понимание машинного обучения: от теории к алгоритмам PDF

Понимание машинного обучения: от теории к алгоритмическим решениям PDF: обратите внимание, что Awkwardgen не размещает PDF-файл на своем сервере, поскольку это может нарушить авторские права, и не поощряет вас к загрузке бесплатной копии этой книги. Вместо этого мы рекомендуем вам купить его онлайн.

Чтобы купить онлайн:

Купить на Amazon.com: Купить книгу на Amazon.comКупить на Amazon.in Купить книгу на Amazon. В (Для индийских пользователей)

Чтобы бесплатно скачать книгу «Понимание машинного обучения: от теории к алгоритмам» в формате PDF:

Бесплатная ссылка на PDF

Похожие технологии с машинным обучением и работами в Startup:

Если вы студент и хотите изучить некоторые технологии, которые помогут вам расти, ознакомьтесь с нашей статьей о том же: Навыки, необходимые в ИТ-секторе

Есть много ведущих стартапов, которые заинтересованы в привлечении студентов, а также опытных сотрудников. Если вы из США и хотите работать в одном из них, прочтите замечательную статью: Лучшие стартапы в Калифорнии, которые нанимают. Если вы живете в Индии, вам может быть полезна эта статья: Лучшие стартапы Индии.

Понимание машинного обучения: от теории к алгоритмическим решениям PDF

Ниже мы предоставили PDF-файл «Понимание машинного обучения: от теории к решениям алгоритмов».

Решения Алона Гонена

Что такое машинное обучение?

Проще говоря, машинное обучение означает способность машины, то есть компьютера, повышать свою производительность для задачи с опытом. Это раздел компьютерных наук и искусственного интеллекта.

Вообще говоря, существует четыре типа алгоритмов машинного обучения.

Различные типы алгоритмов машинного обучения:

Обучение с учителем, при котором все данные помечаются, а алгоритм учится прогнозировать выходные данные на основе входных данных.

Обучение без учителя, при котором все данные не помечены, а алгоритмы сами изучают присущую им структуру из входных данных.

Полууправляемое обучение, при котором некоторые данные помечены, но большая часть не помечена. Здесь можно использовать смесь контролируемых и неконтролируемых методов.

Обучение с подкреплением. Здесь основная проблема заключается в том, как алгоритм/программный агент должен выполнять действия в среде, чтобы максимизировать некоторое понятие вознаграждения.

Шаги в машинном обучении

В каждом алгоритме машинного обучения необходимо выполнить несколько шагов. Шаги следующие:

  1. Сбор данных. Это самый важный и трудоемкий шаг. На этом этапе мы соберем информацию, которая поможет нам в решении нашей проблемы. Например, если вы хотите прогнозировать цены на жилье в зависимости от размера, вам понадобится набор данных, содержащий все данные о предыдущих ценах на жилье вместе с их площадью.
  2. Подготовка данных. Получив данные, мы должны правильно их отформатировать и предварительно обработать. Предварительная обработка включает в себя различные процедуры, такие как очистка данных. Например, как вы поступите с отсутствующими или ошибочными значениями в вашем наборе данных (например, текст вместо числа)? Мы можем сделать это разными способами, но один простой способ — просто удалить строки с пустыми значениями. Кроме того, мы можем найти столбцы в наборе данных, которые не имеют отношения к нашим результатам, например идентификаторы, и мы также удаляем эти столбцы. Обычно мы используем визуализацию данных для визуализации наших данных с помощью графиков и диаграмм, а затем анализируем графики, чтобы увидеть, какие элементы являются наиболее важными. Также на этом этапе мы разделяем набор данных на обучающий и тестовый наборы. Мы также выполняем масштабирование функций.
  3. Выбор модели включает в себя следующие шаги. Теперь, когда у нас есть данные, мы можем передать их алгоритму машинного обучения. Если вы не знаете, что такое модель, позвольте мне объяснить. Термины «алгоритм машинного обучения» и «модель машинного обучения» часто взаимозаменяемы. Модель является результатом программы машинного обучения, управляемой данными. Другими словами, когда мы применяем алгоритм ко всем нашим данным, мы получаем вывод, который содержит все правила, числа и другие структуры данных, специфичные для алгоритма, необходимые для генерации прогнозов. Например, после применения линейной регрессии к нашим данным мы получаем уравнение для линии наилучшего соответствия, которая называется моделью. Если мы не хотим изменять гиперпараметры и использовать значения по умолчанию, следующим шагом обычно является обучение модели.
  4. Настройка гиперпараметров. Гиперпараметры имеют решающее значение, поскольку они определяют общее поведение модели машинного обучения. Конечная цель — определить наилучшую комбинацию гиперпараметров, дающую наилучшие результаты. Что же это за гиперпараметры? В алгоритме K-NN, если мы изменим значение K, мы получим разные результаты. Идеальное значение K заранее не определено и варьируется в зависимости от набора данных. Невозможно сказать, какое значение K является лучшим, но вы можете поэкспериментировать с несколькими значениями и посмотреть, какое из них дает наилучшие результаты. Здесь K — гиперпараметр, и у каждого алгоритма есть свои гиперпараметры, и нам нужно настроить их значения, чтобы получить наилучшие результаты.
  5. Оценка. Вы можете спросить, как определить, хорошо или плохо работает модель. Какой лучший подход к тестированию модели, чем с фактическими данными? Эти данные называются проверочными данными и не могут быть подмножеством данных (обучающих данных), на которых обучался алгоритм. Целью обучения модели является обнаружение базовой закономерности в данных и создание прогнозов на основе данных, которые она никогда раньше не видела, а не изучение всех значений в обучающем наборе данных. Существует множество доступных методов оценки, в том числе перекрестная проверка K-кратности и другие.
  6. Прогноз. Теперь, когда наша модель показала хорошие результаты на тестовом наборе, мы можем применить ее к реальным данным и надеяться, что она будет работать хорошо.

Надеюсь, вы получили PDF-файл «Понимание машинного обучения: от теории к решениям алгоритмов». Если у вас есть это, пожалуйста, оставьте нам комментарий и сообщите нам другие материалы, которые вы ищете.

Первоначально опубликовано на https://awkwardgen.com 27 июля 2021 г.