Международная конференция по машинному обучению
-
Основные подходы к обучению в ИИ
- Контролируемое обучение: обучение с заранее определенными метками для классификации данных.
- Обучение без присмотра: обучение на немаркированных данных, часто используется для обнаружения аномалий.
- Онлайн-обучение: обучение с использованием распределенных ресурсов, таких как облачные вычисления.
- Пакетное обучение: обучение на больших наборах данных, часто используется для классификации.
- Мета-обучение: обучение, которое улучшает способность модели обучаться на новых данных.
- Обучение под непосредственным наблюдением: обучение с участием человека, который контролирует процесс обучения.
- Самостоятельное обучение: обучение без участия человека, часто используется для автономных систем.
- Обучение с подкреплением: обучение, основанное на вознаграждении и наказании, используется для решения задач в играх.
- Изучение учебной программы: обучение, направленное на изучение и понимание учебных материалов.
- Обучение, основанное на правилах: обучение, которое следует определенным правилам, часто используется для решения задач классификации.
- Квантовое машинное обучение: использование квантовых вычислений для машинного обучения.
-
Методы машинного обучения
- Классификация: задача классификации данных на основе определенных признаков.
- Генеративное моделирование: создание новых данных на основе существующих.
- Регрессия: задача предсказания непрерывных значений.
- Кластеризация: задача группировки данных в кластеры.
- Уменьшение габаритов: задача сжатия данных для экономии места.
- Оценка плотности: задача определения плотности данных.
- Обнаружение аномалий: задача выявления отклонений от нормы.
- Очистка данных: задача удаления шума из данных.
-
Автоматические методы машинного обучения
- Правила ассоциации: задача определения связей между данными.
- Семантический анализ: задача определения смысла данных.
- Структурированное предсказание: задача предсказания структурированных данных.
- Разработка функциональных возможностей: задача создания новых функций.
- Изучение особенностей: задача выделения характерных черт данных.
- Учимся ранжировать: задача ранжирования данных по определенным критериям.
- Введение в грамматику: задача изучения грамматики для обработки естественного языка.
- Изучение онтологии: задача изучения онтологий для структурирования знаний.
- Мультимодальное обучение: обучение, которое объединяет данные разных модальностей.
- Обучение в рамках ученичества: обучение, в котором ученик учится у учителя.
-
Деревья принятия решений и другие методы
- Деревья принятия решений: метод классификации данных, основанный на разделении данных на основе признаков.
- Упаковывание в мешки: метод уменьшения дисперсии путем объединения похожих наблюдений.
- Стимулирование: метод обучения, основанный на поощрении и наказании.
- Случайный лес: метод обучения, использующий множество деревьев принятия решений.
- к-НН: метод классификации, основанный на использовании k ближайших соседей.
- Линейная регрессия: метод регрессии, основанный на использовании линейной модели.
- Наивный Байес: метод классификации, основанный на использовании теоремы Байеса.
- Искусственные нейронные сети: метод машинного обучения, основанный на использовании искусственных нейронов.
- Логистическая регрессия: метод регрессии, основанный на использовании логистической функции.
- Персептрон: метод обучения, основанный на использовании алгоритма обратного распространения ошибки.
- Векторный анализ релевантности (RVM): метод уменьшения размеров данных.
- Метод опорных векторов (SVM): метод классификации, основанный на использовании опорных векторов.
- Береза: метод классификации, основанный на использовании деревьев решений.
- Лечение: метод классификации, основанный на использовании деревьев решений.
-
Другие методы машинного обучения
- Иерархический k-means: метод кластеризации, основанный на использовании иерархической кластеризации.
- Размытый: метод кластеризации, основанный на использовании размытых кластеров.
- Максимизация ожиданий (EM): метод обучения, основанный на максимизации ожиданий.
- СКАНИРОВАНИЕ по базе данных: метод обнаружения аномалий, основанный на использовании сканирования по базе данных.
- ОПТИКА: метод уменьшения размеров данных, основанный на использовании оптики.
- Средний сдвиг: метод кластеризации, основанный на использовании среднего сдвига.
- Факторный анализ: метод уменьшения размеров данных, основанный на использовании факторного анализа.
- Приблизительно: метод кластеризации, основанный на использовании аппроксимации.
- ИКА: метод кластеризации, основанный на использовании итеративного кластерного анализа.
- ЛДА: метод кластеризации, основанный на использовании линейного дискриминантного анализа.
- НМФ: метод кластеризации, основанный на использовании непараметрического метода.
- СПС: метод кластеризации, основанный на использовании спектральной кластеризации.
- ПГД: метод кластеризации, основанный на использовании проективной геометрии.
- т-СНЭ: метод кластеризации, основанный на использовании t-распределения Стьюдента.
- SDL (СДЛ): метод кластеризации, основанный на использовании самоорганизующихся карт.
- Сеть Байеса: метод обучения, основанный на использовании байесовских сетей.
- Условное случайное поле: метод обучения, основанный на использовании условных случайных полей.
- Скрытый Марков: метод обучения, основанный на использовании скрытых Марковских моделей.
- РАНСАК: метод обучения, основанный на использовании рекурсивного анализа.
- Локальный фактор выброса: метод обнаружения аномалий, основанный на использовании локального фактора выброса.
- Изолированный лес: метод обучения, основанный на использовании изолированных лесов.
- Автокодировщик: метод обучения, основанный на использовании автокодировщиков.
- Когнитивные вычисления: метод обучения, основанный на использовании когнитивных вычислений.
- Глубокое обучение: метод обучения, основанный на использовании глубоких нейронных сетей.
- Глубокая мечта: метод обучения, основанный на использовании глубоких нейронных сетей.
- Нейронная сеть с прямой связью: метод обучения, основанный на использовании нейронных сетей с прямой связью.
- ЛСТМ: метод обучения, основанный на использовании долговременной краткосрочной памяти.
- ГРУ: метод обучения, основанный на использовании рекуррентных нейронных сетей.
- ЕСМ: метод обучения, основанный на использовании энкодеров-декодеров.
- U-Образная сетка: метод обучения, основанный на использовании U-образной сетки.
- Видение: метод обучения, основанный на использовании сверточных нейронных сетей.
- Мамба: метод обучения, основанный на использовании нейросетей с памятью.
- Транзистор памяти: метод обучения, основанный на использовании транзисторов памяти.
- Электрохимическое оперативное память (ECRAM): метод обучения, основанный на использовании электрохимической оперативной памяти.
- Q-обучение: метод обучения, основанный на использовании Q-обучения.
- С