Исследование методов сравнения машинного обучения в зависимости от различных параметров задачи
ВВЕДЕНИЕ
На промежутке долгого времени, компьютеры применяются для решения задач, с которыми человек может справиться и сам. Однако уже стало понятно, что преимуществом машин является скорость выполнения операций, быстрая аналитика больших объёмов данных, которые человек вручную обрабатывает не так ускоренно, как машина. Компьютер имеет такой качество как получение быстрого результат, нужно только задать правильные условия «на входе». Так появились технологии машинного обучения и искусственный интеллект в широком его понимании. Машинное обучение — это класс методов искусственного интеллекта, где характерной чертой является не прямое решение задачи, а обучение и решения схожих задач множество задач одновременно[1]. Для построения таких методов используются средства как: математическая статистика, как численная методика, математический анализ, методы оптимизации, теории вероятности, теории графов, различные техники работы с данными в цифровой форме как база данных.
СОДЕРЖАНИЕ
ВВЕДЕНИЕ 9
1 СПОСОБЫ МАШИННОГО ОБУЧЕНИЯ 12
1.1 Методы машинного обучения и их сравнение 15
1.2 Методы сравнения алгоритмов машинного обучения. 17
2 АЛГОРИТМЫ И СЕМЕЙСТВО КЛАССИФИКАЦИИ 25
2.1 Преимущества некоторых конкретных алгоритмов 27
2.2 Ключевые элементы алгоритмов машинного обучения 29
3 СРАВНИТЕЛЬНЫЙ АНАЛИЗ МАШИННЫХ АЛЛГОРИТМОВ. 33
3.1 линейная регрессия 34
3.2 Логистическая регрессия 37
3.3 k-ближайшие ветки. 40
3.4 Дерево решений 42
3.5 Машина опорных векторов 45
3.6 Случайный лес. 50
3.7 Наивный байес52
ЗАКЛЮЧЕНИЕ 57
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 59
НОРМАТИВНЫЕ ССЫЛКИ
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
https://download.microsoft.com/download/3/5/b/35bb997f-a8c7-485d-8c56-19444dafd757/azure-machine-learning-algorithm-cheat-sheet-july-2021.pdf
Андреас, Мюллер Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными: моногр. / Мюллер Андреас. - М.: Альфа-книга, 2017. - 697 c.
Барский, А.Б. Логические нейронные сети / А.Б. Барский. - М.: Бином. Лаборатория знаний / Интернет-Университет Информационных Технологий (ИНТУИТ), 2017. - 336 c.
Домингос, П. Верховный алгоритм. Как машинное обучение изменит наш мир / П. Домингос. - М.: Манн, Иванов и Фербер, 2016. - 190 c.
Домингос, Педро Верховный алгоритм: как машинное обучение изменит наш мир / Педро Домингос. - Москва: Гостехиздат, 2015. - 989 c.
Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - М.: Горячая линия - Телеком; Издание 2-е, стер., 2002. - 382 c.
Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных. - М.: Горячая линия - Телеком, 2008. - 392 c.
Плас, Джейк Вандер Python для сложных задач. Наука о данных и машинное обучение. Руководство / Плас Джейк Вандер. - М.: Питер, 2018. - 527 c.
Себастьян, Рашка Python и машинное обучение / Рашка Себастьян. - М.: ДМК Пресс, 2017. - 809 c.
Татузов, А. Л. Нейронные сети в задачах радиолокации / А.Л. Татузов. - М.: Радиотехника, 2009. - 432 c.
Шибзухов, З.М. Конструктивные методы обучения сигма-пи нейронных сетей / З.М. Шибзухов. - М.: Наука, 2006. - 297 c.
Mohamad H.Hassoun. Fundamentals of Artificial Neural Networks. MIT Press, Cambridge, Massachusetts, 1995.
С.Хайкин. Нейронные сети: полный курс. 2-е изд. М., "Вильямс", 2006.
S.Haykin. Neural Networks and Learning Machines. 3rd Edition. Pearson, 2018.
А.А.Ежов, С.А.Шумский. Нейрокомпьютинг и его применения в экономике и бизнесе. М., МИФИ, 1998. Электронная версия книги находится здесь.
Д.А.Тархов. Нейронные сети. Модели
Двоичная классификация: выходные данные имеют только два дискретных значения, и мы можем выбрать только одно из них, например, кошка или собака, спам или не спам, положительное или отрицательное и т.д.
Многоклассовая классификация: выходные данные содержат более двух дискретных значений, и мы можем выбрать только одно из них, например {кошка, собака, мышь, жираф}, {положительный, нейтральный, отрицательный}, {очень хороший, добротный, средний, плохой, очень бедный} и т.д.
Классификация по нескольким меткам: выходные данные содержат два или более дискретных значения, и мы можем выбрать более одного из этих значений. Допустим, у нас есть изображение, на котором изображены собака и кошка. Вместо того чтобы просто предсказывать, является ли это изображение изображением кошки или собаки, классификация с несколькими метками может выводить все оба варианта.