Nástin strojového učení - Outline of machine learning

Následující obrys je uveden jako přehled a aktuální průvodce strojové učení. Strojové učení je podpole z soft computing v rámci počítačová věda které se vyvinuly ze studie rozpoznávání vzorů a teorie výpočetního učení v umělá inteligence.^[1] V roce 1959 Arthur Samuel definované strojové učení jako „studijní obor, který dává počítačům schopnost učit se bez výslovného programování“.^[2] Strojové učení zkoumá studium a konstrukci algoritmy to může Učit se od a dělat předpovědi na data.^[3] Tyto algoritmy fungují vytvořením a Modelka z příkladu tréninková sada vstupních pozorování, aby bylo možné provádět předpovědi nebo rozhodnutí založená na datech vyjádřená jako výstupy, a nikoli podle přísně statických pokynů programu.

Co typ věcí je strojové učení?

An akademická disciplína
Pobočka Věda
- An aplikovaná věda
  - Podpole z počítačová věda
    - Pobočka umělá inteligence
    - Podpole z soft computing
  - Aplikace statistika

Větve strojového učení

Podpole strojového učení

Teorie výpočetního učení - studium designu a analýzy strojové učení algoritmy.^[4]
Gramatická indukce
Meta učení

Mezioborové obory zahrnující strojové učení

Aplikace strojového učení

Bioinformatika
Biomedicínská informatika
Počítačové vidění
Management vztahu se zákazníky –
Dolování dat
Filtrování e-mailů
Obrácené kyvadlo - rovnovážný a rovnovážný systém.
Zpracování přirozeného jazyka (NLP)
Rozpoznávání vzorů
Systém doporučení
- Kolaborativní filtrování
- Filtrování podle obsahu
- Hybridní systémy doporučení (Spolupráce a filtrování podle obsahu)
Vyhledávač
- Optimalizace pro vyhledávače
Sociální inženýrství

Hardware pro strojové učení

Nástroje pro strojové učení

Nástroje pro strojové učení (seznam )

Porovnání softwaru pro hluboké učení
- Porovnání softwaru / zdrojů pro hluboké učení

Rámečky strojového učení

Rámec strojového učení

Proprietární rámce strojového učení

Open source rámce strojového učení

Knihovny strojového učení

Knihovna strojového učení

Algoritmy strojového učení

Algoritmus strojového učení

Typy algoritmů strojového učení

Metody strojového učení

Metoda strojového učení (seznam )

Algoritmus založený na instanci
- Algoritmus K-nejbližších sousedů (KNN)
- Učení vektorové kvantizace (LVQ)
- Samoorganizující se mapa (SOM)
Regresní analýza
Regularizační algoritmus
Klasifikátory

Snížení rozměrů

Učení souboru

AdaBoost
Posilování
Bootstrap agreguje (Pytlování)
Průměrování souboru - proces vytváření více modelů a jejich kombinace za účelem vytvoření požadovaného výstupu, na rozdíl od vytvoření pouze jednoho modelu. Soubor modelů často funguje lépe než kterýkoli jiný model, protože různé chyby modelů se „průměrují“.
Gradientem podporovaný rozhodovací strom (GBDT)
Zvýšení gradientu stroj (GBM)
Náhodný les
Skládaná generalizace (míchání)

Meta učení

Posílení učení

Kontrolované učení

AODE
Umělá neuronová síť
Učení pravidla asociace algoritmy
- Apriori algoritmus
- Eclatův algoritmus
Zdůvodňování případu
Gaussova regrese procesu
Programování genového výrazu
Skupinová metoda zpracování dat (GMDH)
Induktivní logické programování
Instanční učení
Líné učení
Výukové automaty
Učení kvantizace vektoru
Strom logistického modelu
Minimální délka zprávy (rozhodovací stromy, rozhodovací grafy atd.)
- Algoritmus nejbližšího souseda
- Analogické modelování
Pravděpodobně přibližně správné učení (PAC) učení
Zvlnění pravidel, metodika získávání znalostí
Symbolické algoritmy strojového učení
Podporujte vektorové stroje
Náhodné lesy
Soubory klasifikátorů
- Bootstrap agreguje (pytlování)
- Posilování (meta-algoritmus)
Pořadová klasifikace
Informační fuzzy sítě (IFN)
Podmíněné náhodné pole
ANOVA
Kvadratické klasifikátory
k-nejbližší soused
Posilování
- SPRINT
Bayesovské sítě
- Naivní Bayes
Skryté Markovovy modely
- Hierarchický skrytý Markovův model

Bayesian

Bayesovské statistiky

Bayesovská znalostní báze
Naivní Bayes
Gaussian Naive Bayes
Mnohonárodnostní naivní Bayes
Zprůměrované odhady jedné závislosti (AODE)
Bayesian Belief Network (BBN)
Bayesian Network (BN)

Algoritmy rozhodovacího stromu

Algoritmus rozhodovacího stromu

Rozhodovací strom
Klasifikační a regresní strom (VOZÍK)
Iterativní dichotomizátor 3 (ID3)
Algoritmus C4.5
Algoritmus C5.0
Chi-čtvercová automatická detekce interakcí (CHAID)
Rozhodovací pařez
Podmíněný rozhodovací strom
Algoritmus ID3
Náhodný les
SLIQ

Lineární klasifikátor

Učení bez dozoru

Umělé neuronové sítě

Umělá neuronová síť

Učení pravidla asociace

Hierarchické shlukování

Shluková analýza

Detekce anomálií

Učení s částečným dohledem

Aktivní učení - zvláštní případ učení s částečným dohledem, ve kterém je učící algoritmus schopen interaktivně dotazovat uživatele (nebo jiný zdroj informací), aby získal požadované výstupy v nových datových bodech.^[5]^[6]
Generativní modely
Separace s nízkou hustotou
Metody založené na grafech
Společné školení
Transdukce

Hluboké učení

Další metody a problémy strojového učení

Výzkum strojového učení

Historie strojového učení

Časová osa strojového učení

Projekty strojového učení

Organizace strojového učení

Skupina znalostního inženýrství a strojového učení

Konference a workshopy o strojovém učení

Umělá inteligence a bezpečnost (AISec) (společně umístěný workshop s CCS)
Konference o systémech zpracování neurálních informací (NIPS)
ECML PKDD
Mezinárodní konference o strojovém učení (ICML)
ML4ALL (Machine Learning For All)

Publikace o strojovém učení

Knihy o strojovém učení

Deníky strojového učení

Strojové učení
Journal of Machine Learning Research (JMLR)
Neurální výpočet

Osoby vlivné ve strojovém učení

Alberto Broggi
Andrei Knyazev
Andrew McCallum
Andrew Ng
Anuraag Jain
Armin B. Cremers
Ayanna Howard
Barney Pell
Ben Goertzel
Ben Taskar
Bernhard Schölkopf
Brian D. Ripley
Christopher G. Atkeson
Corinna Cortes
Demis Hassabis
Douglas Lenat
Eric Xing
Ernst Dickmanns
Geoffrey Hinton - spoluvynálezce tréninkových algoritmů zpětného šíření a kontrastní divergence
Hans-Peter Kriegel
Hartmut Neven
Heikki Mannila
Ian Goodfellow - Otec generativních a sporných sítí
Jacek M. Zurada
Jaime Carbonell
Jeremy Slovak
Jerome H. Friedman
John D. Lafferty
John Platt - vynalezl škálování SMO a Platta
Julie Beth Lovins
Jürgen Schmidhuber
Karl Steinbuch
Katia Sycara
Leo Breiman - vynalezl pytlování a náhodné lesy
Lise Getoor
Luca Maria Gambardella
Léon Bottou
Marcus Hutter
Mehryar Mohri
Michael Collins
Michael I. Jordan
Michael L. Littman
Nando de Freitas
Ofer Dekel
Oren Etzioni
Pedro Domingos
Peter Flach
Pierre Baldi
Pushmeet Kohli
Ray Kurzweil
Rayid Ghani
Ross Quinlan
Salvatore J. Stolfo
Sebastian Thrun
Selmer Bringsjord
Sepp Hochreiter
Shane Legg
Stephen Muggleton
Steve Omohundro
Tom M. Mitchell
Trevor Hastie
Vasant Honavar
Vladimír Vapnik - spoluvynálezce teorie SVM a VC
Yann LeCun - vynalezené konvoluční neuronové sítě
Yasuo Matsuyama
Yoshua Bengio
Zoubin Ghahramani

Viz také

jiný

Další čtení

Trevor Hastie, Robert Tibshirani a Jerome H. Friedman (2001). Prvky statistického učení Springer. ISBN 0-387-95284-5.
Pedro Domingos (Září 2015), Hlavní algoritmus Základní knihy, ISBN 978-0-465-06570-7
Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar (2012). Základy strojového učení „The MIT Press. ISBN 978-0-262-01825-8.
Ian H. Witten a Eibe Frank (2011). Dolování dat: Praktické nástroje a techniky strojového učení Morgan Kaufmann, 664 pp., ISBN 978-0-12-374856-0.
David J. C. MacKay. Informační teorie, odvození a výukové algoritmy Cambridge: Cambridge University Press, 2003. ISBN 0-521-64298-1
Richard O. Duda, Peter E. Hart, David G. Stork (2001) Klasifikace vzorů (2. vydání), Wiley, New York, ISBN 0-471-05669-3.
Christopher Bishop (1995). Neuronové sítě pro rozpoznávání vzorů, Oxford University Press. ISBN 0-19-853864-2.
Vladimír Vapnik (1998). Statistická teorie učení. Wiley-Interscience, ISBN 0-471-03003-1.
Ray Solomonoff, Indukční odvozovací stroj„Záznam úmluvy IRE, oddíl o teorii informací, část 2, s. 56–62, 1957.
Ray Solomonoff, "Indukční odvozovací stroj „Soukromě šířená zpráva z roku 1956 Dartmouth Summer Research Conference on AI.

Reference

^ http://www.britannica.com/EBchecked/topic/1116194/machine-learning Tento terciární zdroj znovu použije informace z jiných zdrojů, ale nepojmenuje je.
^ Phil Simon (18. března 2013). Ioore Too Big: The Business Case for Big Data. Wiley. p. 89. ISBN 978-1-118-63817-0.
^ Ron Kohavi; Foster Provost (1998). "Slovník pojmů". Strojové učení. 30: 271–274. doi:10.1023 / A: 1007411609915.
^ „ACL - Asociace pro výpočetní učení“.
^ Settles, Burr (2010), „Průzkum literatury o aktivním učení“ (PDF), Technická zpráva o počítačových vědách 1648. University of Wisconsin – Madison, vyvoláno 2014-11-18
^ Rubens, Neil; Elahi Mehdi; Sugiyama, Masashi; Kaplan, Dain (2016). "Aktivní učení v doporučovacích systémech". In Ricci, Francesco; Rokach, Lior; Shapira, Bracha (eds.). Příručka doporučujících systémů (2. vyd.). Springer USA. doi:10.1007/978-1-4899-7637-6. hdl:11311/1006123. ISBN 978-1-4899-7637-6. S2CID 11569603.

externí odkazy

Data Science: Data to Insights od MIT (strojové učení)
Populární online kurz od Andrew Ng, v Coursera. Využívá to GNU oktáva. Kurz je bezplatná verze Stanfordská Univerzita Aktuální kurz vyučovaný Ng, viz.stanford.edu/Course/CS229 k dispozici zdarma].
lesk je akademická databáze softwaru pro strojové učení s otevřeným zdrojovým kódem.

[Britannica-1] ttp://www.britannica.com/EBchecked/topic/1116194/machine-learning Tento terciární zdroj znovu použije informace z jiných zdrojů, ale nepojmenuje je.

[arthur_samuel_machine_learning_def-2] Phil Simon (18. března 2013). Ioore Too Big: The Business Case for Big Data. Wiley. p. 89. ISBN 978-1-118-63817-0.

[3] Ron Kohavi; Foster Provost (1998). "Slovník pojmů". Strojové učení. 30: 271–274. doi:10.1023 / A: 1007411609915.

[ACL-4] „ACL - Asociace pro výpočetní učení“.

[settles-5] Settles, Burr (2010), „Průzkum literatury o aktivním učení“ (PDF), Technická zpráva o počítačových vědách 1648. University of Wisconsin – Madison, vyvoláno 2014-11-18

[rubens2016-6] Rubens, Neil; Elahi Mehdi; Sugiyama, Masashi; Kaplan, Dain (2016). "Aktivní učení v doporučovacích systémech". In Ricci, Francesco; Rokach, Lior; Shapira, Bracha (eds.). Příručka doporučujících systémů (2. vyd.). Springer USA. doi:10.1007/978-1-4899-7637-6. hdl:11311/1006123. ISBN 978-1-4899-7637-6. S2CID 11569603.

[1]

[2]

[3]

[4]

[5]

[6]