3 основных типа машинного обучения

1. Supervised Learning (обучение с учителем)

- Суть: обучение модели на размеченных данных (data with labelled data).

- Подразделяется на два типа задач:

- Classification (классификация): прогнозирование дискретных значений (например, «да/нет», категории). Визуализировано с помощью кругов с точками разных цветов.

- Regression (регрессия): прогнозирование непрерывных значений (например, стоимость дома, температура). Показано графиком с линией тренда.

- Примеры алгоритмов:

- Логистическая регрессия (Logistic Regression);

- Деревья решений (Decision Trees);

- Случайный лес (Random Forest);

- XGBoost;

- K-ближайших соседей (K-Nearest Neighbors);

- Метод опорных векторов (Support Vector Machines) и др.

2. Unsupervised Learning (обучение без учителя)

- Суть: обучение модели на неразмеченных данных (data with unlabelled data), поиск скрытых закономерностей.

- Основная задача: Clustering (кластеризация) — группировка данных по сходству. Визуализировано разделением точек на кластеры.

- Примеры алгоритмов кластеризации:

- K-Means Clustering;

- DBSCAN;

- Иерархическая кластеризация (Hierarchical Clustering).

- Другие методы обучения без учителя:

- Метод главных компонент (PCA);

- Анализ ассоциативных правил (Association).

3. Reinforcement Learning (обучение с подкреплением)

- Суть: модель совершает действия в среде (environment), получает обратную связь (feedback) и обновляет своё состояние (state) на основе вознаграждений или штрафов.

- Визуализация: представлена в виде цикла между средой (Environment), действием (action), обратной связью (feedback) и агентом модели (Model Agent).

- Примеры алгоритмов:

- Q-Learning;

- R-Learning;

- TD-Learning.

Источник: vk.com

Комментарии: