Tahák k algoritmům strojového učení pro návrháře služby Azure Machine Learning
Tahák k algoritmům služby Azure Machine Learning vám pomůže vybrat správný algoritmus od návrháře pro model prediktivní analýzy.
Poznámka
Designer podporuje dva typy komponent, klasické předem připravené komponenty (v1) a vlastní komponenty (v2). Tyto dva typy komponent nejsou kompatibilní.
Klasické předem připravené komponenty poskytují předem připravené komponenty hlavně pro zpracování dat a tradiční úlohy strojového učení, jako je regrese a klasifikace. Tento typ komponenty se podporuje i nadále, ale nebudou se přidávat žádné nové komponenty.
Vlastní komponenty umožňují zabalit vlastní kód jako komponentu. Podporuje sdílení komponent napříč pracovními prostory a bezproblémové vytváření obsahu v rozhraních Studia, ROZHRANÍ PŘÍKAZOVÉHO ŘÁDKU v2 a SDK v2.
U nových projektů důrazně doporučujeme použít vlastní komponentu, která je kompatibilní s AzureML v2 a bude dál dostávat nové aktualizace.
Tento článek se týká klasických předem připravených komponent, které nejsou kompatibilní s rozhraním příkazového řádku v2 a sadou SDK v2.
Azure Machine Learning má rozsáhlou knihovnu algoritmů z řad klasifikací, doporučovacích systémů, clusteringu, detekce anomálií, regrese a analýzy textu . Každá z nich je navržená tak, aby řešila jiný typ problému se strojovým učením.
Další informace najdete v tématu Jak vybrat algoritmy.
Stáhnout: Tahák k algoritmům strojového učení
Tahák si můžete stáhnout tady: Tahák k algoritmům strojového učení (11x17 in.)
Stáhněte a vytiskněte tahák k algoritmům strojového učení v tabloidové velikosti, abyste ho měli po ruce a získali pomoc s výběrem algoritmu.
Jak používat tahák k algoritmům strojového učení
Návrhy nabízené v tomto taháku algoritmu jsou přibližná pravidla. Některé můžou být ohnuté a jiné flagrantně porušené. Tento tahák má navrhnout výchozí bod. Nebojte se spustit soutěž mezi několika algoritmy na vašich datech. Pochopení principů jednotlivých algoritmů a systému, který vygeneroval vaše data, jednoduše nenahrazuje.
Každý algoritmus strojového učení má svůj vlastní styl nebo induktivní předsudky. Pro konkrétní problém může být vhodné několik algoritmů a jeden algoritmus může být vhodnější než jiný. Ale není vždy možné vědět předem, který je nejvhodnější. V takových případech je v taháku uvedeno několik algoritmů. Vhodnou strategií je vyzkoušet jeden algoritmus, a pokud výsledky ještě nejsou uspokojivé, zkuste jiné.
Další informace o algoritmech v návrháři služby Azure Machine Learning najdete v referenčních informacích k algoritmům a komponentám.
Druhy strojového učení
Existují tři hlavní kategorie strojového učení: učení pod dohledem, učení bez dohledu a posilovací učení.
Učení pod dohledem
Při učení pod dohledem je každý datový bod označený nebo přidružený k kategorii nebo hodnotě zájmu. Příkladem kategorického popisku je přiřazení obrázku jako "kočka" nebo "pes". Příkladem popisku hodnoty je prodejní cena spojená s ojetým autem. Cílem učení pod dohledem je prostudovat mnoho takových označených příkladů a pak být schopen předpovídat budoucí datové body. Například identifikace nových fotek se správným zvířetem nebo přiřazení přesných prodejních cen jiným ojetým vozům. Toto je oblíbený a užitečný typ strojového učení.
Učení bez dohledu
Při učení bez dohledu nemají datové body přidružené žádné popisky. Cílem algoritmu učení bez dohledu je místo toho nějak uspořádat data nebo popsat jejich strukturu. Učení bez dohledu seskupuje data do clusterů, jak to dělá K-means, nebo najde různé způsoby pohledu na složitá data, aby vypadala jednodušší.
Zpětnovazební učení
Při učení o posílení algoritmus zvolí akci v reakci na každý datový bod. Jedná se o běžný přístup v robotice, kdy sada hodnot snímačů v jednom okamžiku je datovým bodem a algoritmus musí zvolit další akci robota. Je také přirozenou vhod pro aplikace internetu věcí. Algoritmus učení také o chvíli později obdrží signál odměny, který označuje, jak dobré rozhodnutí bylo. Na základě tohoto signálu algoritmus upraví svou strategii, aby dosáhl nejvyšší odměny.