Datenbereinigung
Algorithmen des maschinellen Lernens können Daten sammeln, speichern und analysieren und ein wertvolles Ergebnis liefern. Diese Werkzeuge ermöglichen es Ihnen, den Zustand komplizierter und...
Maschinelles Lernen
Maschinelles Lernen (ML) ist eine Teilmenge der künstlichen Intelligenz. Es konzentriert sich auf das Studium von Computeralgorithmen, die sich durch Erfahrung automatisch von selbst verbessern. Diese Algorithmen werden in einer Vielzahl unterschiedlicher Anwendungen eingesetzt, von Computer Vision bis zu mathematischen Optimierungen. ML-Algorithmen sind notwendig, wenn es schwierig oder nicht machbar ist, herkömmliche Algorithmen zu entwickeln, um eine notwendige Aufgabe auszuführen.
Die vier Haupttypen von ML umfassen:
- Überwachte Algorithmen für maschinelles Lernen, die das, was in früheren Situationen bereits gelernt wurde, anhand von beschrifteten Beispielen auf neue Daten anwenden können, um mögliche zukünftige Ereignisse vorherzusagen.
- Unüberwachte Algorithmen für maschinelles Lernen werden verwendet, wenn die zum Trainieren des Modells verwendeten Informationen weder klassifiziert noch gekennzeichnet sind. Unbeaufsichtigtes Lernen kann auf eine Funktion zur Beschreibung einer verborgenen Struktur aus unbeschrifteten Daten schließen. Ebenso ist das System nicht dazu gedacht, die richtige Ausgabe herauszufinden, sondern untersucht die Daten und kann Rückschlüsse aus Datensätzen ziehen, um verborgene Strukturen aus unbeschrifteten Daten zu beschreiben.
- Halbüberwachte Algorithmen für maschinelles Lernen liegen zwischen überwachtem und unbeaufsichtigtem Lernen. Sie verwenden sowohl beschriftete als auch unbeschriftete Daten für das Training und tendieren zu unbeschrifteten Daten. Halbüberwachtes Lernen wird ausgewählt, wenn die erfassten gekennzeichneten Daten qualifizierte und angemessene Ressourcen erfordern, um daraus zu trainieren / zu lernen. Andernfalls erfordert die unbeschriftete Datenerfassung normalerweise kein zusätzliches Kapital.
- Algorithmen für maschinelles Lernen zur Verstärkung sind Lernmethoden, die Aktionen erzeugen und Fehler in ihrer Umgebung entdecken. Diese Methode ermöglicht es dem Algorithmus, das Verhalten in einem bestimmten Kontext automatisch zu verstehen, um seine Leistung zu maximieren. Das Belohnungsfeedback ist erforderlich, damit der Agent versteht, welche Aktion am besten ist. Dies wird als Verstärkungssignal bezeichnet.
One Hot Encoding
Die kategoriale Kodierung ist eine Technik zur Kodierung kategorialer Daten. Bei kategorischen Daten handelt es sich um Variablensätze, die Beschriftungsvariablen anstelle von numerischen Werten...
