Масштабирование объектов

• Контролируемое обучение

  • Обучение с заранее определенными целями и критериями оценки. 
  • Включает методы классификации, регрессии, кластеризации и другие. 

• Обучение без присмотра

  • Обучение на немаркированных данных, часто используется в машинном обучении. 
  • Включает обучение с подкреплением и методы, основанные на правилах. 

• Онлайн-обучение

  • Обучение в распределенной среде, где данные и алгоритмы распределены по сети. 
  • Включает методы, такие как случайный лес и k-NN. 

• Пакетное обучение

  • Обучение на больших наборах данных, где данные обрабатываются партиями. 
  • Включает методы, такие как линейная регрессия и логистическая регрессия. 

• Мета-обучение

  • Обучение на данных, собранных из других источников, для улучшения обобщения. 
  • Включает методы, такие как обучение с подкреплением и обучение на основе правил. 

• Обучение под непосредственным наблюдением

  • Обучение с участием человека, который контролирует процесс обучения. 
  • Включает методы, такие как деревья принятия решений и методы кластеризации. 

• Самостоятельное обучение

  • Обучение без участия человека, где алгоритмы самостоятельно обучаются на данных. 
  • Включает методы глубокого обучения и нейронные сети. 

• Квантовое машинное обучение

  • Использование квантовых вычислений для машинного обучения. 
  • Включает методы, такие как квантовое обучение и квантовое обучение с подкреплением. 

• Классификация

  • Разделение данных на категории, используется в машинном обучении для распознавания образов. 
  • Включает методы, такие как логистическая регрессия и искусственные нейронные сети. 

• Генеративное моделирование

  • Создание новых данных, которые похожи на существующие данные. 
  • Включает методы, такие как генеративные состязательные сети и вариационные автокодировщики. 

• Регрессия

  • Определение зависимости между непрерывной переменной и целевой переменной. 
  • Включает методы, такие как линейная регрессия и метод опорных векторов. 

• Кластеризация

  • Группировка данных в кластеры, используется для анализа и классификации данных. 
  • Включает методы, такие как k-означает и иерархическая кластеризация. 

• Уменьшение габаритов

  • Сведение размерности данных к более компактному представлению. 
  • Включает методы, такие как метод главных компонент и анализ главных компонент. 

• Оценка плотности

  • Определение плотности распределения данных. 
  • Включает методы, такие как оценка плотности ядра и метод максимального правдоподобия. 

• Обнаружение аномалий

  • Выявление отклонений от нормы в данных. 
  • Включает методы, такие как аномальный детектор и метод опорных векторов. 

• Очистка данных

  • Удаление шума и неполных данных из данных. 
  • Включает методы, такие как фильтрация и выборка. 

• Автоматический

  • Обучение алгоритмов без участия человека. 
  • Включает методы, такие как машинное обучение и глубокое обучение. 

• Правила ассоциации

  • Определение правил, связывающих объекты и события. 
  • Включает методы, такие как ассоциативные правила и обучение на основе правил. 

• Семантический анализ

  • Анализ смысла и контекста данных. 
  • Включает методы, такие как семантический анализ и обучение на основе правил. 

• Структурированное предсказание

  • Предсказание структурированных данных, таких как текст и изображения. 
  • Включает методы, такие как глубокое обучение и машинное обучение. 

• Разработка функциональных возможностей

  • Создание новых функций на основе существующих данных. 
  • Включает методы, такие как обучение на основе правил и машинное обучение. 

• Изучение особенностей

  • Определение характеристик данных, важных для классификации. 

• Учимся ранжировать

  • Обучение алгоритмов ранжированию данных. 

• Введение в грамматику

  • Обучение алгоритмов распознаванию грамматических правил. 

• Изучение онтологии

  • Обучение алгоритмов пониманию онтологий. 

• Мультимодальное обучение

  • Обучение алгоритмов обработке данных из разных источников. 

• Обучение в рамках ученичества

  • Обучение с использованием знаний и опыта наставника. 

• Деревья принятия решений

  • Обучение алгоритмов на основе деревьев решений. 

• Упаковывание в мешки

  • Обучение алгоритмов на основе множества похожих данных. 

• Стимулирование

  • Обучение алгоритмов с использованием стимулирующих данных. 

• Случайный лес

  • Обучение алгоритмов на основе множества деревьев решений. 

• к-НН

  • Обучение алгоритмов на основе k ближайших соседей. 

• Линейная регрессия

  • Обучение алгоритмов для предсказания непрерывных значений. 

• Наивный Байес

  • Обучение алгоритмов на основе теоремы Байеса. 

• Искусственные нейронные сети

  • Обучение алгоритмов, основанных на искусственных нейронах. 

• Логистическая регрессия

  • Обучение алгоритмов для предсказания бинарных значений. 

• Персептрон

  • Обучение алгоритмов для распознавания образов. 

• Векторный анализ релевантности (RVM)

  • Обучение алгоритмов для определения релевантности документов. 

• Метод опорных векторов (SVM)

  • Обучение алгоритмов для классификации данных. 

• Береза

• Лечение

  • Обучение алгоритмов для предсказания медицинских состояний. 

• Иерархический

  • Обучение алгоритмов для иерархической классификации данных. 

• k-означает

  • Обучение алгоритмов для кластеризации данных. 

• Размытый

  • Обучение алгоритмов для нечеткой классификации данных. 

• Максимизация ожиданий (EM)

  • Обучение алгоритмов для совместной кластеризации и классификации данных. 

• СКАНИРОВАНИЕ по базе данных

  • Обучение алгоритмов для анализа данных в базах данных. 

• ОПТИКА