Video: Cos'è il Machine Learning (Reti Neurali e A.I.) 2025
Parte di Machine Learning For Dummies Cheat Sheet < L'apprendimento automatico implica l'uso di molti algoritmi diversi. Questa tabella fornisce un rapido riepilogo dei punti di forza e di debolezza dei vari algoritmi.
Algoritmo
| Migliore a | Pro | Contro | Foresta casuale |
| Adatto a quasi tutti i problemi di apprendimento automatico | Bioinformatica
Può funzionare in parallelo |
Sovraccarico raramente > Gestisce automaticamente i valori mancanti
Non è necessario trasformare alcuna variabile Non è necessario modificare i parametri Può essere utilizzato da quasi chiunque con risultati eccellenti Difficile da interpretare Debole sulla regressione nella stima dei valori a le estremità della distribuzione dei valori di risposta |
Biased nei problemi multiclasse verso classi più frequenti
Boosting Apt in quasi tutti i problemi di apprendimento macchina |
| Motori di ricerca (risolvendo il problema dell'apprendimento in classifica) > Può approssimare la maggior parte delle funzioni non lineari | Il miglior predittore della classe
Gestisce automaticamente i valori mancanti |
Non è necessario trasformare alcuna variabile
Può essere sovradimensionato se eseguito per troppe iterazioni Dati sensibili e rumorosi e valori anomali Non funziona bene senza sintonizzazione dei parametri |
Regressione lineare
Previsione di base Previsioni econometriche |
| Modellazione delle risposte di marketing | Semplice da capire e spiegare
Raramente si adatta L'uso della regolarizzazione L1 e L2 è efficace nella selezione delle funzioni |
Veloce da addestrare
Facile da allenarsi su big data grazie alla sua versione stocastica Devi lavorare duro per adattarlo a funzioni non lineari Può soffrire di valori anomali Supporto macchine vettoriali |
Riconoscimento caratteri
Riconoscimento immagini |
| Testo classificazione | Creazione automatica di feature non lineari
Può approssimare complesse funzioni non lineari Difficile da interpretare quando si applicano kernel non lineari |
Soffre di troppi esempi, dopo 10.000 esempi inizia a richiedere troppo tempo per formare
K-nearest Neighbours |
Computer vision
Tagging multilivello |
| Sistemi Recommender | Problemi di controllo ortografico
Allenamento veloce e pigro Può gestire naturalmente problemi multiclasse estremi (come taggare il testo) Lento ed ingombrante nella fase di previsione |
Può non riuscire a prevedere il corr ectly a causa della maledizione della dimensionalità
Adaboost |
Rilevazione visi
Gestisce automaticamente i valori mancanti |
| Non è necessario trasformare alcuna variabile | Non si adatta facilmente | Pochi parametri da modificare > Può sfruttare molti diversi utenti deboli
Dati sensibili e anomali Mai le migliori previsioni della classe Naive Bayes Riconoscimento viso |
Analisi sentiment
Rilevazione spam |
| Classificazione del testo | Facile e veloce da implementare, non richiede troppa memoria e può essere utilizzato per l'apprendimento online
Facile da capire Tiene conto delle conoscenze precedenti Presupposti per l'indipendenza delle caratteristiche forti e non realistiche > Errore nella stima di occorrenze rare |
soffre di caratteristiche irrilevanti
Reti neurali Riconoscimento immagini |
Riconoscimento e traduzione
Riconoscimento vocale Riconoscimento visione |
| Può approssimare qualsiasi funzione non lineare | Robusto da outlier
Funziona solo con una parte degli esempi (il vettore di supporto s) Molto difficile da configurare Difficile da regolare a causa di troppi parametri e devi anche decidere l'architettura della rete |
Difficile da interpretare
Facile da sovraffaticare Regressione logistica < Ordinare i risultati per probabilità |
Modellare le risposte marketing
Semplice da capire e spiegare Raramente si adatta L'uso della regolarizzazione L1 e L2 è efficace nella selezione delle funzionalità |
| Il miglior algoritmo per predire le probabilità di un evento | Veloce da addestrare
Facile da addestrare su big data grazie alla sua versione stocastica |
Devi lavorare duro per adattarlo a funzioni non lineari
Può soffrire di outlier SVD Recommender sistemi Ristrutturazione dei dati in modo significativo Difficile capire perché i dati sono stati ristrutturati in un certo modo |
PCA
Rimozione della collinearità |
| Riduzione delle dimensioni del set di dati | Riduzione della dimensionalità dei dati | Implica forti assunzioni lineari (i componenti sono una somma ponderata delle caratteristiche) K-significa | Segmentazione |
| Veloce nella ricerca di cluster | Può rilevare valori anomali in più dimensioni
Soffre di multicollinearità |
I cluster sono sferici, non è possibile rilevare gruppi di altra forma | Instabile soluzioni, dipende dall'inizializzazione |
Scelta dell'editore
Il programma in cinque passaggi per superare la menopausa - dummyAlcune donne capiscono a malapena che la menopausa è loro. Altre donne, tuttavia, sono meno fortunate. Se sei uno di questi, prendi in mano questi pochi modi per rendere la tua esperienza più facile per te stesso: capisci e accetta che stai attraversando una transizione naturale, proprio come la pubertà. Fortunatamente, sei più vecchio e più saggio di te ... 
Menopausa For Dummies Cheat Sheet (edizione UK) - dummiesMenopausa segna la fine della fase riproduttiva della tua vita e così è un momento significativo di cambiamento fisico, emotivo e mentale per molte donne ma, per generazioni, donne di tutte le età hanno vagato alla cieca in menopausa senza sapere cosa aspettarsi. Qui puoi scoprire alcune delle nozioni di base. 
Perimenopausa: facilitare la transizione dalle mestruazioni alla menopausa - manichiniMestruazioni e menopausa sono ben noti biologici pietre miliari nella vita di una femmina. Contrariamente al pensiero popolare, la menopausa non è il periodo di mesi o anni in cui una donna sta "attraversando il cambiamento". "Questo lasso di tempo è chiamato perimenopausa. La menopausa è una data effettiva nel tempo. In particolare, è il 12 ° anniversario dell'ultimo ciclo mestruale di una donna. ... Scelta dell'editore
Come utilizzare il filtro automatico personalizzato su una tabella di Excel - dummiesÈ Possibile creare un filtro automatico personalizzato . Per fare ciò, seleziona il comando Filtro testo dal menu della tabella e scegli una delle opzioni di filtro del testo. Indipendentemente dall'opzione di filtro del testo selezionata, Excel visualizza la finestra di dialogo Filtro automatico personalizzato. Questa finestra di dialogo consente di specificare con estrema precisione quali record si desidera ... 
Come utilizzare la funzione DPRODUCT in un database Excel - dummiesDPRODUCT moltiplica i valori che corrispondono al criterio in un database Excel. Questo è potente ma anche in grado di produrre risultati che non sono l'intenzione. In altre parole, è una cosa da aggiungere e ricavare una somma. Questa è un'operazione comune su un set di dati. Osservando la seguente figura, è possibile ... 
Come utilizzare la funzione DPRODUCT in Excel - dummyLa funzione DPRODUCT in Excel è strana. La funzione DPRODUCT moltiplica i valori nei campi da un elenco di database in base ai criteri di selezione. Perché vorresti farlo? Chissà. La funzione utilizza la sintassi = DPRODUCT (database, campo, criteri) in cui il database è un riferimento all'intervallo alla tabella di Excel che contiene il valore desiderato ... Scelta dell'editore
Programmazione con Java: riutilizzo dei nomi nella tua app per Android - dummiesCi sono un paio di cose a cui vuoi pensare quando riutilizzi i nomi nella tua app per Android. È possibile dichiarare due variabili Java - bag1 e bag2 - per fare riferimento a due diversi oggetti BagOfCheese. Va bene. Ma a volte, avere solo una variabile e riutilizzarla per il secondo oggetto funziona altrettanto bene, ... 
Java: Mettere a frutto l'uso della classe - dummiesLa classe Employee nell'elenco non ha alcun metodo principale , quindi non c'è un punto di partenza per l'esecuzione del codice. Per risolvere questo problema, il programmatore scrive un programma separato con un metodo principale e utilizza tale programma per creare istanze Employee. Questo elenco di codici mostra una classe con un metodo principale - uno che inserisce il ... 
Classi wrapper java - dummiesLa differenza tra tipi primitivi e tipi di riferimento è una delle funzionalità più controverse di Java e gli sviluppatori si lamentano spesso sulle differenze tra valori primitivi e valori di riferimento. Ogni tipo primitivo viene cotto nella lingua. Java ha otto tipi primitivi. Ogni tipo di riferimento è una classe o un'interfaccia. È possibile definire il proprio ... Scelta dell'editore |
