Обзор машинного обучения

Обзор и тематическое руководство по машинному обучению

Следующий план представляет собой обзор и тематическое руководство по машинному обучению:

Машинное обучение ( МО ) — это подраздел искусственного интеллекта в компьютерной науке , который развился из изучения распознавания образов и теории вычислительного обучения . ^[1] В 1959 году Артур Сэмюэл определил машинное обучение как «область изучения, которая дает компьютерам возможность учиться без явного программирования». ^[2] МО включает в себя изучение и построение алгоритмов , которые могут обучаться и делать прогнозы на основе данных . ^[3] Эти алгоритмы работают путем построения модели из обучающего набора примеров наблюдений для создания прогнозов или решений на основе данных, выраженных в виде выходных данных, а не следуя строго статическим инструкциям программы.

Как можно классифицировать машинное обучение?

Академическая дисциплина
Раздел науки
- Прикладная наука
  - Подотрасль компьютерной науки
    - Раздел искусственного интеллекта
    - Подотрасль мягких вычислений
    - Применение статистики

Парадигмы машинного обучения

Контролируемое обучение , при котором модель обучается на размеченных данных.
Неконтролируемое обучение , при котором модель пытается выявить закономерности в немаркированных данных.
Обучение с подкреплением , при котором модель учится принимать решения, получая вознаграждения или наказания.

Применение машинного обучения

Аппаратное обеспечение для машинного обучения

Инструменты машинного обучения

Сравнение программного обеспечения для глубокого обучения

Фреймворки машинного обучения

Собственные фреймворки машинного обучения

Машинное обучение Amazon
Студия машинного обучения Microsoft Azure
DistBelief (заменен на TensorFlow )

Фреймворки машинного обучения с открытым исходным кодом

Апачи Синга
Apache MXNet
Кафе
PyTorch
млпакет
TensorFlow
Факел
ЧНТК
Аккорд.Нет
Джекс
MLJ.jl – Фреймворк машинного обучения для Julia

Библиотеки машинного обучения

Алгоритмы машинного обучения

Методы машинного обучения

Алгоритм на основе экземпляра

Регрессионный анализ

Уменьшение размерности

Ансамбльное обучение

АдаБуст
Повышение
Агрегирование методом самонастройки (также «бэггинг» или «бутстреппинг»)
Усреднение ансамбля
Дерево решений с градиентным усилением (GBDT)
Повышение градиента
Случайный лес
Сложенное обобщение

Мета-обучение

Обучение с подкреплением

Контролируемое обучение

Усредненные оценки с одной зависимостью (AODE)
Искусственная нейронная сеть
Рассуждение на основе прецедентов
Гауссовский процесс регрессии
Программирование экспрессии генов
Групповой метод обработки данных (ГМОД)
Индуктивное логическое программирование
Обучение на основе примеров
Ленивое обучение
Обучающиеся автоматы
Изучение векторного квантования
Дерево логистической модели
Минимальная длина сообщения (деревья решений, графы решений и т. д.)
- Алгоритм ближайшего соседа
- Аналоговое моделирование
Вероятно, приблизительно правильное обучение (PAC) обучение
Правила распространения информации , методология получения знаний
Символьные алгоритмы машинного обучения
Машины опорных векторов
Случайные леса
Ансамбли классификаторов
- Агрегирование методом Bootstrap (бэггинг)
- Повышение (мета-алгоритм)
Порядковая классификация
Условное случайное поле
Дисперсионный анализ
Квадратичные классификаторы
k-ближайший сосед
Повышение
- СПРИНТ
Байесовские сети
- Наивный Байес
Скрытые марковские модели
- Иерархическая скрытая марковская модель

байесовский

Байесовская статистика

Байесовская база знаний
Наивный Байес
Гауссовский наивный байесовский
Мультиномиальный наивный байесовский
Усредненные оценки с одной зависимостью (AODE)
Байесовская сеть убеждений (BBN)
Байесовская сеть (БС)

Алгоритмы дерева решений

Алгоритм дерева решений

Дерево решений
Дерево классификации и регрессии (CART)
Итеративный дихотомизатор 3 (ID3)
Алгоритм C4.5
Алгоритм C5.0
Автоматическое обнаружение взаимодействия по критерию хи-квадрат (CHAID)
Решение в тупике
Условное дерево решений
Алгоритм ID3
Случайный лес
СЛИК

Линейный классификатор

Неконтролируемое обучение

Искусственные нейронные сети

Искусственная нейронная сеть

Изучение правил ассоциации

Иерархическая кластеризация

Кластерный анализ

Обнаружение аномалий

Алгоритм k -ближайших соседей ( k -NN)
Локальный фактор выброса

Полуконтролируемое обучение

Глубокое обучение

Другие методы и проблемы машинного обучения

Исследования машинного обучения

История машинного обучения

Хронология машинного обучения

Проекты машинного обучения

Проекты машинного обучения:

Организации машинного обучения

Конференции и семинары по машинному обучению

Искусственный интеллект и безопасность (AISec) (совместный семинар с CCS)
Конференция по нейронным системам обработки информации (NIPS)
ECML ПКДД
Международная конференция по машинному обучению (ICML)
ML4ALL (Машинное обучение для всех)

Публикации по машинному обучению

Книги по машинному обучению

Математика для машинного обучения
Практическое машинное обучение Scikit-Learn, Keras и TensorFlow
Стостраничная книга о машинном обучении

Журналы машинного обучения

Лица, оказавшие влияние на машинное обучение

Смотрите также

Другой

Дальнейшее чтение

Тревор Хасти , Роберт Тибширани и Джером Х. Фридман (2001). Элементы статистического обучения , Springer. ISBN 0-387-95284-5 .
Педро Домингос (сентябрь 2015 г.), Главный алгоритм , Basic Books, ISBN 978-0-465-06570-7
Мехрияр Мохри , Афшин Ростамизаде, Амит Талвалкар (2012). Основы машинного обучения , The MIT Press. ISBN 978-0-262-01825-8 .
Ян Х. Виттен и Эйб Франк (2011). Data Mining: Практические инструменты и методы машинного обучения Морган Кауфманн, 664 стр., ISBN 978-0-12-374856-0 .
Дэвид Дж. К. Маккей . Теория информации, вывод и алгоритмы обучения Кембридж: Cambridge University Press, 2003. ISBN 0-521-64298-1
Ричард О. Дуда , Питер Э. Харт , Дэвид Г. Сторк (2001) Классификация образов (2-е издание), Wiley, Нью-Йорк, ISBN 0-471-05669-3 .
Кристофер Бишоп (1995). Нейронные сети для распознавания образов , Oxford University Press. ISBN 0-19-853864-2 .
Владимир Вапник (1998). Статистическая теория обучения . Wiley-Interscience, ISBN 0-471-03003-1 .
Рэй Соломонофф , Машина индуктивного вывода , Протокол конференции IRE, Раздел теории информации, Часть 2, стр., 56–62, 1957.
Рэй Соломонофф , «Машина индуктивного вывода». Частный доклад с Летней исследовательской конференции по искусственному интеллекту в Дартмуте 1956 года .

Ссылки

^ http://www.britannica.com/EBchecked/topic/1116194/machine-learning Этот третичный источник повторно использует информацию из других источников, но не называет их.
↑ Фил Саймон (18 марта 2013 г.). Слишком большой, чтобы игнорировать: бизнес-кейс для больших данных. Wiley. стр. 89. ISBN 978-1-118-63817-0.
^ Рон Кохави; Фостер Провост (1998). «Словарь терминов». Машинное обучение . 30 : 271–274 . doi : 10.1023/A:1007411609915 .

Внешние ссылки

Наука о данных: от данных к знаниям от Массачусетского технологического института (машинное обучение)
Популярный онлайн-курс Эндрю Нг на Coursera. Он использует GNU Octave . Курс является бесплатной версией реального курса Стэнфордского университета, который преподает Нг, см. stanford.edu/Course/CS229, доступного бесплатно].
mloss — это академическая база данных программного обеспечения для машинного обучения с открытым исходным кодом.

[Britannica-1] ttp://www.britannica.com/EBchecked/topic/1116194/machine-learning Этот третичный источник повторно использует информацию из других источников, но не называет их.

[arthur_samuel_machine_learning_def-2] Фил Саймон (18 марта 2013 г.). Слишком большой, чтобы игнорировать: бизнес-кейс для больших данных. Wiley. стр. 89. ISBN 978-1-118-63817-0.

[3] Рон Кохави; Фостер Провост (1998). «Словарь терминов». Машинное обучение . 30 : 271–274 . doi : 10.1023/A:1007411609915 .