Скорость обучения

• Основные понятия машинного обучения

  • Контролируемое обучение: обучение с заранее определенными целями и критериями оценки. 
  • Обучение без присмотра: обучение, при котором не требуется вмешательство человека. 
  • Онлайн-обучение: обучение, которое происходит в режиме реального времени. 
  • Пакетное обучение: обучение, при котором данные делятся на пакеты для обработки. 
  • Мета-обучение: обучение, направленное на улучшение способности модели к обучению. 
  • Обучение под непосредственным наблюдением: обучение, при котором модель обучается на реальных данных. 
  • Самостоятельное обучение: обучение, при котором модель учится на своих ошибках. 
  • Обучение с подкреплением: обучение, при котором модель получает обратную связь от окружающей среды. 

• Методы машинного обучения

  • Классификация: задача машинного обучения, которая заключается в разделении данных на классы. 
  • Генеративное моделирование: задача машинного обучения, которая направлена на создание новых данных. 
  • Регрессия: задача машинного обучения, которая заключается в предсказании непрерывных значений. 
  • Кластеризация: задача машинного обучения, которая заключается в группировке данных. 
  • Уменьшение габаритов: задача машинного обучения, которая заключается в уменьшении размерности данных. 
  • Оценка плотности: задача машинного обучения, которая заключается в оценке плотности данных. 
  • Обнаружение аномалий: задача машинного обучения, которая заключается в обнаружении отклонений от нормы. 
  • Очистка данных: задача машинного обучения, которая заключается в удалении шума из данных. 

• Алгоритмы машинного обучения

  • Автоматическое обучение: обучение, которое происходит без вмешательства человека. 
  • Правила ассоциации: правила, которые связывают объекты с их классами. 
  • Семантический анализ: анализ смысла данных. 
  • Структурированное предсказание: предсказание структурированных данных. 
  • Разработка функциональных возможностей: создание новых функций. 
  • Изучение особенностей: выделение характерных черт данных. 
  • Учимся ранжировать: задача машинного обучения, которая заключается в ранжировании данных. 
  • Введение в грамматику: задача машинного обучения, которая заключается в изучении грамматики. 
  • Изучение онтологии: задача машинного обучения, которая заключается в изучении онтологии. 
  • Мультимодальное обучение: обучение, которое включает в себя обработку данных из разных источников. 
  • Обучение в рамках ученичества: обучение, при котором ученик учится у учителя. 
  • Деревья принятия решений: метод машинного обучения, который использует деревья для принятия решений. 
  • Упаковывание в мешки: метод машинного обучения, который объединяет данные в группы. 
  • Стимулирование: метод машинного обучения, который стимулирует обучение. 
  • Случайный лес: метод машинного обучения, который использует случайные леса для принятия решений. 
  • К-НН: метод машинного обучения, который использует классификацию ближайших соседей. 
  • Линейная регрессия: метод машинного обучения, который использует линейную регрессию для предсказания значений. 
  • Наивный Байес: метод машинного обучения, который использует байесовскую вероятность для предсказания значений. 
  • Искусственные нейронные сети: метод машинного обучения, который использует искусственные нейронные сети для предсказания значений. 
  • Логистическая регрессия: метод машинного обучения, который использует логистическую регрессию для предсказания значений. 
  • Персептрон: метод машинного обучения, который использует персептрон для предсказания значений. 
  • Векторный анализ релевантности (RVM): метод машинного обучения, который использует RVM для предсказания значений. 
  • Метод опорных векторов (SVM): метод машинного обучения, который использует SVM для предсказания значений. 
  • Береза: метод машинного обучения, который использует березу для предсказания значений. 
  • Лечение: метод машинного обучения, который использует лечение для предсказания значений. 
  • Иерархический k-means: метод машинного обучения, который использует иерархический k-means для кластеризации данных. 
  • Размытый: метод машинного обучения, который использует размытый метод для кластеризации данных. 
  • Максимизация ожиданий (EM): метод машинного обучения, который использует EM для оценки плотности данных. 
  • СКАНИРОВАНИЕ по базе данных: метод машинного обучения, который использует сканирование по базе данных для обнаружения аномалий. 
  • ОПТИКА: метод машинного обучения, который использует оптику для обнаружения аномалий. 
  • Средний сдвиг: метод машинного обучения, который использует средний сдвиг для уменьшения размерности данных. 
  • Факторный анализ: метод машинного обучения, который использует факторный анализ для уменьшения размерности данных. 
  • Приблизительно: метод машинного обучения, который использует приблизительно для уменьшения размерности данных. 
  • ИКА: метод машинного обучения, который использует ИКА для уменьшения размерности данных. 
  • ЛДА: метод машинного обучения, который использует ЛДА для уменьшения размерности данных. 
  • НМФ: метод машинного обучения, который использует НМФ для уменьшения размерности данных. 
  • СПС: метод машинного обучения, который использует СПС для уменьшения размерности данных. 
  • ПГД: метод машинного обучения, который использует ПГД для уменьшения размерности данных. 
  • т-СНЭ: метод машинного обучения, который использует т-СНЭ для уменьшения размерности данных. 
  • SDL (СДЛ): метод машинного обучения, который использует SDL (СДЛ) для уменьшения размерности данных. 
  • Сеть Байеса: метод машинного обучения, который использует сеть Байеса для предсказания значений. 
  • Условное случайное поле: метод машинного обучения, который использует условное случайное поле для предсказания значений. 
  • Скрытый Марков: метод машинного обучения, который использует скрытый Марков для предсказания значений. 
  • РАНСАК: метод машинного обучения, который использует РАНСАК для предсказания значений. 
  • К-НН: метод машинного обучения, который использует классификацию ближайших соседей для предсказания значений. 
  • Локальный фактор выброса: метод машинного обучения, который использует локальный фактор выброса для обнаружения аномалий. 
  • Изолированный лес: метод машинного обучения, который использует изолированный лес для обнаружения аномалий. 
  • Автокодировщик: метод машинного обучения, который использует автокодировщик для уменьшения размерности данных. 
  • Когнитивные вычисления: метод машинного обучения, который использует когнитивные вычисления для предсказания значений. 
  • Глубокое обучение: метод машинного обучения, который использует глубокие нейронные сети для предсказания значений. 
  • Глубокая мечта: метод машинного обучения, который использует глубокую мечту для предсказания значений. 
  • Нейронная сеть с прямой связью: метод машинного обучения, который использует нейронную сеть с прямой связью для предсказания значений. 
  • ЛСТМ: метод машинного обучения, который использует длинные краткосрочные воспоминания для предсказания значений. 
  • ГРУ: метод машинного обучения, который использует глубокую рекуррентную нейронную сеть для предсказания значений. 
  • ЕСН: метод машинного обучения, который использует экстремальную машину обучения для предсказания значений. 
  • Вычисление резервуара: метод машинного обучения, который использует вычисление резервуара для предсказания значений. 
  • Ограниченная машина Больцмана: метод машинного обучения, который использует ограниченную машину Больцмана для предсказания значений. 
  • ГАН: метод машинного обучения, который использует генеративно-аддитивные сети для предсказания значений. 
  • Диффузионная модель: метод машинного обучения, который использует диффузионную модель для предсказания значений. 
  • СОМ: метод машинного обучения, который использует самоорганизующуюся карту для предсказания значений. 
  • U-Образная сетка: метод машинного обучения, который использует U-Образную сетку для предсказания значений. 
  • Видение: метод машинного обучения, который использует глубокое обучение для распознавания изображений. 
  • Мамба: метод машинного обучения, который использует глубокое обучение для распознавания изображений.