Ściągawka dotycząca algorytmów uczenia maszynowego dla projektanta usługi Azure Machine Learning

Ściągawka dotycząca algorytmów usługi Azure Machine Learning ułatwia wybór odpowiedniego algorytmu z projektanta dla modelu analizy predykcyjnej.

Usługa Azure Machine Learning ma dużą bibliotekę algorytmów z klasyfikacji, systemów rekomendacji, klastrowania, wykrywania anomalii, regresji i rodzin analizy tekstu . Każdy z nich jest przeznaczony do rozwiązywania innego typu problemu z uczeniem maszynowym.

Aby uzyskać więcej informacji, zobacz Jak wybrać algorytmy.

Pobierz: Ściągawka dotycząca algorytmów uczenia maszynowego

Pobierz ściągawkę tutaj: Ściągawka dotycząca algorytmów uczenia maszynowego (11x17 in).

Pobierz i wydrukuj ściągawkę dotyczącą algorytmów uczenia maszynowego w rozmiarze tabloidu, aby ułatwić sobie wybór algorytmu.

Jak używać ściągawki dotyczącej algorytmów uczenia maszynowego

Sugestie oferowane w tym ściągawce algorytmu są przybliżone reguły-of-thumb. Niektóre mogą być wygięte, a niektóre mogą być rażąco naruszone. Ten ściągawka ma na celu sugerowanie punktu wyjścia. Nie bój się uruchomić konkurencji typu head-to-head między kilkoma algorytmami danych. Po prostu nie ma podstaw do zrozumienia zasad każdego algorytmu i systemu, który wygenerował dane.

Każdy algorytm uczenia maszynowego ma swój własny styl lub stronniczość indukcyjną. W przypadku konkretnego problemu może być odpowiednich kilku algorytmów, a jeden algorytm może być lepszym rozwiązaniem niż inne. Ale nie zawsze jest możliwe wcześniejsze poznanie, co jest najlepszym rozwiązaniem. W takich przypadkach kilka algorytmów jest wymienionych razem w ściągawce. Odpowiednią strategią byłoby wypróbowanie jednego algorytmu, a jeśli wyniki nie są jeszcze zadowalające, spróbuj wykonać inne.

Aby dowiedzieć się więcej na temat algorytmów w projektancie usługi Azure Machine Learning, przejdź do tematu Algorytm i dokumentacja składników.

Rodzaje uczenia maszynowego

Istnieją trzy główne kategorie uczenia maszynowego: uczenie nadzorowane, uczenie nienadzorowane i uczenie wzmacniania.

Uczenie nadzorowane

W uczeniu nadzorowanym każdy punkt danych jest oznaczony etykietą lub skojarzona z kategorią lub wartością zainteresowania. Przykładem etykiety podzielonej na kategorie jest przypisanie obrazu jako "cat" lub "dog". Przykładem etykiety wartości jest cena sprzedaży skojarzona z używanym samochodem. Celem uczenia nadzorowanego jest zapoznanie się z wieloma oznaczonymi przykładami, takimi jak te, a następnie przewidywaniem przyszłych punktów danych. Na przykład zidentyfikowanie nowych zdjęć z poprawnym zwierzęciem lub przypisanie dokładnych cen sprzedaży do innych używanych samochodów. Jest to popularny i przydatny typ uczenia maszynowego.

Uczenie bez nadzoru

W uczeniu bez nadzoru punkty danych nie mają skojarzonych z nimi etykiet. Zamiast tego celem algorytmu uczenia nienadzorowanego jest organizowanie danych w jakiś sposób lub opisywanie jego struktury. Nienadzorowane uczenie grupuje dane w klastrach, jak to robi K-średnich, lub znajduje różne sposoby przeglądania złożonych danych, tak aby wydawały się prostsze.

Uczenie przez wzmacnianie

W uczeniu wzmacniania algorytm wybiera akcję w odpowiedzi na każdy punkt danych. Jest to typowe podejście w dziedzinie robotyki, gdzie zestaw odczytów czujników w jednym momencie jest punktem danych, a algorytm musi wybrać kolejną akcję robota. Jest to również naturalne dopasowanie do aplikacji Internetu rzeczy. Algorytm uczenia otrzymuje również sygnał nagrody chwilę później, wskazując, jak dobra była decyzja. Na podstawie tego sygnału algorytm modyfikuje swoją strategię, aby osiągnąć najwyższą nagrodę.

Następne kroki

• Zobacz więcej informacji na temat wybierania algorytmów

• Dowiedz się więcej o usłudze Studio w usłudze Azure Machine Learning i Azure Portal.

• Samouczek: tworzenie modelu przewidywania w projektancie usługi Azure Machine Learning.

• Dowiedz się więcej na temat uczenia głębokiego a uczenia maszynowego.