{"id":896182,"date":"2023-10-31T19:46:48","date_gmt":"2023-11-01T00:46:48","guid":{"rendered":"https:\/\/blogging-techies.com\/ge\/20-algorithmen-methoden-und-techniken-fur-kunstliche-intelligenz-und-maschinelles-lernen\/"},"modified":"2023-10-31T19:46:48","modified_gmt":"2023-11-01T00:46:48","slug":"20-algorithmen-methoden-und-techniken-fur-kunstliche-intelligenz-und-maschinelles-lernen","status":"publish","type":"post","link":"https:\/\/blogging-techies.com\/ge\/20-algorithmen-methoden-und-techniken-fur-kunstliche-intelligenz-und-maschinelles-lernen\/","title":{"rendered":"20 Algorithmen, Methoden und Techniken f\u00fcr k\u00fcnstliche Intelligenz und maschinelles Lernen"},"content":{"rendered":"<p>Als ich anfing, mich mit maschinellen Lernproblemen zu besch\u00e4ftigen, geriet ich in Panik, welchen Algorithmus ich verwenden sollte.  Oder welches ist einfach anzuwenden?  Wenn Sie wie ich sind, k\u00f6nnte Ihnen dieser Artikel dabei helfen, mehr \u00fcber Algorithmen, Methoden oder Techniken f\u00fcr k\u00fcnstliche Intelligenz und maschinelles Lernen zu erfahren, um unerwartete oder erwartete Probleme zu l\u00f6sen.<\/p>\n<p>Maschinelles Lernen ist eine leistungsstarke KI-Technik, die eine Aufgabe ohne explizite Anweisungen effektiv ausf\u00fchren kann.  Ein ML-Modell kann aus Ihren Daten und Erfahrungen lernen.  Anwendungen f\u00fcr maschinelles Lernen sind automatisch, robust und dynamisch.  Verschiedene Algorithmen wurden entwickelt, um dieser dynamischen Natur realer Probleme Rechnung zu tragen.  Im Gro\u00dfen und Ganzen gibt es drei Arten von Algorithmen f\u00fcr maschinelles Lernen: \u00fcberwachtes Lernen, un\u00fcberwachtes Lernen und verst\u00e4rkendes Lernen.<\/p>\n<h2 id=\"best-ai-machine-learning-algorithms\" class=\"ftwp-heading\"><strong>Die besten Algorithmen f\u00fcr k\u00fcnstliche Intelligenz und maschinelles Lernen<\/strong><\/h2>\n<p>Die Auswahl der geeigneten Technik oder Methode des maschinellen Lernens ist eine der Hauptaufgaben bei der Entwicklung eines Projekts im Bereich der k\u00fcnstlichen Intelligenz oder des maschinellen Lernens.  Denn es stehen mehrere Algorithmen zur Verf\u00fcgung, und alle haben ihre Vorteile und ihren Nutzen.  Im Folgenden stellen wir 20 Algorithmen f\u00fcr maschinelles Lernen f\u00fcr Anf\u00e4nger und Profis vor.  Werfen wir also einen Blick darauf.<\/p>\n<h3 id=\"1-naive-bayes\" class=\"ftwp-heading\"><strong>1. Naiver Bayesianer<\/strong><\/h3>\n<p>Ein Naive-Bayes-Klassifikator ist ein probabilistischer Klassifikator, der auf dem basiert <a href=\"https:\/\/en.wikipedia.org\/wiki\/Bayes%27_theorem\" target=\"_blank\" rel=\"nofollow noopener noreferrer\">Satz von Bayes<\/a>, mit der Annahme der Unabh\u00e4ngigkeit zwischen den Merkmalen.  Diese Funktionen unterscheiden sich von Anwendung zu Anwendung.  Es ist eine der bequemsten Methoden des maschinellen Lernens f\u00fcr Anf\u00e4nger.<\/p>\n<p>Naive Bayes ist ein bedingtes Wahrscheinlichkeitsmodell.  Gegeben sei eine zu klassifizierende Probleminstanz, dargestellt durch einen Vektor <strong><i>X <\/i>= (<i>X<\/i><i>Yo <\/i><i>.  .  .  X<\/i><i>Norden<\/i>)<\/strong> stellt einige Merkmale n (unabh\u00e4ngige Variablen) dar und weist der aktuellen Instanz Wahrscheinlichkeiten f\u00fcr jedes der potenziellen Ergebnisse K zu:<\/p>\n<p>Das Problem bei der obigen Formulierung besteht darin, dass es nicht m\u00f6glich ist, ein solches Modell auf Wahrscheinlichkeitstabellen zu basieren, wenn die Anzahl der Merkmale n signifikant ist oder wenn ein Element eine gro\u00dfe Anzahl von Werten annehmen kann.  Deshalb entwickeln wir das Modell neu, um es handlicher zu machen.  Unter Verwendung des Satzes von Bayes kann die bedingte Wahrscheinlichkeit wie folgt geschrieben werden:<\/p>\n<p>Unter Verwendung der Bayes&#8217;schen Wahrscheinlichkeitsterminologie kann die obige Gleichung wie folgt geschrieben werden:<\/p>\n<p>Dieser Algorithmus der k\u00fcnstlichen Intelligenz wird bei der Textklassifizierung verwendet, d. h. bei der Stimmungsanalyse, der Kategorisierung von Dokumenten, der Spam-Filterung und der Nachrichtenklassifizierung.  Diese Technik des maschinellen Lernens funktioniert gut, wenn die Eingabedaten in vordefinierte Gruppen klassifiziert werden.  Dar\u00fcber hinaus sind weniger Daten erforderlich als bei der logistischen Regression.  Es bietet in mehreren Bereichen eine \u00fcberlegene Leistung.<\/p>\n<h3 id=\"2-support-vector-machine\" class=\"ftwp-heading\"><strong>2. Support-Vektor-Maschine<\/strong><\/h3>\n<p>Support Vector Machine (SVM) ist einer der am weitesten verbreiteten \u00fcberwachten maschinellen Lernalgorithmen im Bereich der Textklassifizierung.  Diese Methode wird auch zur Regression verwendet.  Es kann auch als Support Vector Networks bezeichnet werden.<\/p>\n<p>Cortes &#038; Vapnik haben diese Methode zur bin\u00e4ren Klassifizierung entwickelt.  Das \u00fcberwachte Lernmodell ist der Ansatz des maschinellen Lernens, der das Ergebnis aus gekennzeichneten Trainingsdaten ableitet.<\/p>\n<p>Eine Support-Vektor-Maschine konstruiert eine Hyperebene oder einen Satz von Hyperebenen in einem sehr hoch- oder unendlichdimensionalen Bereich.  Berechnet die lineare Trennfl\u00e4che mit einem maximalen Spielraum f\u00fcr einen bestimmten Trainingssatz.<\/p>\n<p>Nur eine Teilmenge der Eingabevektoren beeinflusst die Wahl des Randes (in der Abbildung eingekreist);  Solche Vektoren werden Supportvektoren genannt.  Wenn keine lineare Trennfl\u00e4che vorhanden ist, beispielsweise bei verrauschten Daten, sind SVM-Algorithmen mit einer Slack-Variablen geeignet.  Dieser Klassifikator versucht, den Datenraum mithilfe linearer oder nichtlinearer Abgrenzungen zwischen den verschiedenen Klassen zu unterteilen.<\/p>\n<p>SVM wird h\u00e4ufig bei nichtlinearen Regressions- und Musterklassifizierungsproblemen eingesetzt.  Dar\u00fcber hinaus ist es eine der besten Techniken zur automatischen Kategorisierung von Texten.  Das Beste an diesem Algorithmus ist, dass er keine starken Annahmen \u00fcber die Daten trifft.<\/p>\n<p>Zur Implementierung von Support Vector Machine: Data-Science-Bibliotheken in Python: SciKit Learn, PyML, SVMStruct Python, LIBSVM und Data-Science-Bibliotheken in R: Klar, e1071.<\/p>\n<h3 id=\"3-linear-regression\" class=\"ftwp-heading\"><strong>3. Lineare Regression<\/strong><\/h3>\n<p>Die lineare Regression ist ein direkter Ansatz zur Modellierung der Beziehung zwischen einer abh\u00e4ngigen Variablen und einer oder mehreren unabh\u00e4ngigen Variablen.  Wenn es eine unabh\u00e4ngige Variable gibt, spricht man von einfacher linearer Regression.  Stehen mehr als eine unabh\u00e4ngige Variable zur Verf\u00fcgung, spricht man von multipler linearer Regression.<\/p>\n<p>Diese Formel wird verwendet, um reale Werte wie den Hauspreis, die Anzahl der Anrufe und den Gesamtumsatz auf der Grundlage kontinuierlicher Variablen zu sch\u00e4tzen.  Hier wird die Beziehung zwischen den unabh\u00e4ngigen und abh\u00e4ngigen Variablen durch Anpassen der besten Linie hergestellt.  Diese beste Anpassungslinie wird als Regressionslinie bezeichnet und durch eine lineare Gleichung dargestellt<\/p>\n<p style=\"text-align: center;\">Y = a * X + b.<\/p>\n<p>Hier,<\/p>\n<ul>\n<li>Y \u2013 abh\u00e4ngige Variable<\/li>\n<li>ein Hang<\/li>\n<li>X \u2013 unabh\u00e4ngige Variable<\/li>\n<li>b \u2013 Kreuzung<\/li>\n<\/ul>\n<p>Diese maschinelle Lernmethode ist einfach zu verwenden.  Rennt schnell.  Dies kann im Gesch\u00e4ftsleben f\u00fcr Umsatzprognosen genutzt werden.  Es kann auch zur Risikobewertung verwendet werden.<\/p>\n<h3 id=\"4-logistic-regression\" class=\"ftwp-heading\"><strong>4. Logistische Regression<\/strong><\/h3>\n<p>Hier ist ein weiterer Algorithmus f\u00fcr maschinelles Lernen, die logistische Regression oder Logit-Regression, der zur Sch\u00e4tzung diskreter Werte (Bin\u00e4rwerte wie 0\/1, ja\/nein, wahr\/falsch) basierend auf einem gegebenen Satz unabh\u00e4ngiger Variablen verwendet wird.  Die Aufgabe dieses Algorithmus besteht darin, die Wahrscheinlichkeit eines Vorfalls vorherzusagen, indem die Daten an eine Logit-Funktion angepasst werden.  Ihre Ausgabewerte liegen zwischen 0 und 1.<\/p>\n<p>Die Formel kann in verschiedenen Bereichen wie maschinellem Lernen, wissenschaftlichen Disziplinen und medizinischen Bereichen verwendet werden.  Es kann verwendet werden, um die Gefahr des Auftretens einer bestimmten Krankheit anhand beobachteter Patientenmerkmale vorherzusagen.<\/p>\n<p>Mithilfe der logistischen Regression kann der Wunsch eines Kunden, ein Produkt zu kaufen, vorhergesagt werden.  Diese Technik des maschinellen Lernens wird in der Wettervorhersage verwendet, um die Regenwahrscheinlichkeit vorherzusagen.<\/p>\n<p>Die logistische Regression kann in drei Typen unterteilt werden:<\/p>\n<ul>\n<li>Bin\u00e4re logistische Regression<\/li>\n<li>Multinominale logistische Regression<\/li>\n<li>Ordinale logistische Regression<\/li>\n<\/ul>\n<p>Die logistische Regression ist weniger kompliziert.  Dar\u00fcber hinaus ist es robust.  Kann mit nichtlinearen Effekten umgehen.  Dieser ML-Algorithmus kann jedoch zu einer \u00dcberanpassung f\u00fchren, wenn die Trainingsdaten sp\u00e4rlich und hochdimensional sind.  Sie k\u00f6nnen keine anhaltenden Ergebnisse vorhersagen.<\/p>\n<h3 id=\"5-k-nearest-neighbor-knn\" class=\"ftwp-heading\"><strong>5. K-n\u00e4chster Nachbar (KNN)<\/strong><\/h3>\n<p>K-Nearest Neighbor (kNN) ist ein bekannter statistischer Ansatz zur Klassifizierung und wurde im Laufe der Jahre umfassend untersucht und schon fr\u00fch auf Kategorisierungsaufgaben angewendet.  Es fungiert als nichtparametrische Methodik f\u00fcr Klassifizierungs- und Regressionsprobleme.<\/p>\n<p>Diese KI- und ML-Methode ist recht einfach.  Bestimmt die Kategorie eines Testdokuments t basierend auf der Abstimmung aus einer Menge von k Dokumenten, die t in Bezug auf die Entfernung, normalerweise die euklidische Entfernung, am n\u00e4chsten liegen.  Die wesentliche Entscheidungsregel bei gegebenem t-Test-Dokument f\u00fcr den kNN-Klassifikator lautet:<\/p>\n<p>Wobei y(xi,c) eine bin\u00e4re Klassifizierungsfunktion f\u00fcr das Trainingsdokument xi ist (die den Wert 1 zur\u00fcckgibt, wenn xi mit c markiert ist, andernfalls 0), markiert diese Regel mit t die Kategorie, die im n\u00e4chsten k die meisten Stimmen erh\u00e4lt -Nachbarschaft.<\/p>\n<p>Wir k\u00f6nnen KNN unserem wirklichen Leben zuordnen.  Wenn Sie beispielsweise Menschen treffen m\u00f6chten, \u00fcber die Sie keine Informationen haben, entscheiden Sie sich lieber f\u00fcr Ihre engen Freunde und damit f\u00fcr die Kreise, in denen Sie sich bewegen und auf deren Informationen zugreifen.  Dieser Algorithmus ist rechenintensiv.<\/p>\n<h3 id=\"6-k-means\" class=\"ftwp-heading\"><strong>6. K-bedeutet<\/strong><\/h3>\n<p>K-Means-Clustering ist eine Methode von <a href=\"https:\/\/en.wikipedia.org\/wiki\/Unsupervised_learning\" target=\"_blank\" rel=\"nofollow noopener noreferrer\">unbeaufsichtigtes Lernen<\/a> welches f\u00fcr die Clusteranalyse im Data Mining zug\u00e4nglich ist.  Dieser Algorithmus zielt darauf ab, n Beobachtungen in k Gruppen zu unterteilen, wobei jede Beobachtung zum n\u00e4chsten Mittelwert der Gruppe geh\u00f6rt.  Dieser Algorithmus wird unter anderem in der Marktsegmentierung, Computer Vision und Astronomie eingesetzt.<\/p>\n<h3 id=\"7-decision-tree\" class=\"ftwp-heading\"><strong>7. Entscheidungsbaum<\/strong><\/h3>\n<p>Ein Entscheidungsbaum ist ein Werkzeug zur Entscheidungsunterst\u00fctzung, das eine grafische Darstellung verwendet, also ein baumf\u00f6rmiges Diagramm oder Entscheidungsmodell.  Es wird h\u00e4ufig in der Entscheidungsanalyse verwendet und ist auch ein beliebtes Werkzeug beim maschinellen Lernen.  Entscheidungsb\u00e4ume werden im Operations Research und Management verwendet.<\/p>\n<p>Es hat eine flussdiagramm\u00e4hnliche Struktur, in der jeder interne Knoten einen \u201eTest\u201c f\u00fcr ein Attribut darstellt, jeder Zweig das Testergebnis darstellt und jeder Blattknoten eine Klassenbezeichnung darstellt.  Der Weg von der Wurzel zum Blatt wird als Klassifizierungsregeln bezeichnet.  Es besteht aus drei Arten von Knoten:<\/p>\n<ul>\n<li>Entscheidungsknoten: typischerweise dargestellt durch Quadrate,<\/li>\n<li>Zufallsknoten: werden normalerweise durch Kreise dargestellt,<\/li>\n<li>Endknoten: werden normalerweise durch Dreiecke dargestellt.<\/li>\n<\/ul>\n<p>Ein Entscheidungsbaum ist einfach zu verstehen und zu interpretieren.  Verwenden Sie ein White-Box-Modell.  Dar\u00fcber hinaus ist es mit anderen Entscheidungstechniken kombinierbar.<\/p>\n<h3 id=\"8-random-forest\" class=\"ftwp-heading\"><strong>8. Zuf\u00e4lliger Wald<\/strong><\/h3>\n<p>Random Forest ist eine beliebte Ensemble-Lerntechnik, bei der zur Trainingszeit eine Vielzahl von Entscheidungsb\u00e4umen erstellt und die Kategorie generiert wird. Dabei handelt es sich um den Modus der Kategorien (Klassifizierung) oder die mittlere Vorhersage (Regression) jedes Baums.<\/p>\n<p>Die Ausf\u00fchrungszeit dieses maschinellen Lernalgorithmus ist schnell und kann mit fehlenden und unausgeglichenen Daten arbeiten.  Als wir es jedoch f\u00fcr die Regression verwendeten, gelang es ihm nicht, \u00fcber den Bereich der Trainingsdaten hinaus vorherzusagen, und es k\u00f6nnte sein, dass die Daten zu stark angepasst sind.<\/p>\n<h3 id=\"9-cart\" class=\"ftwp-heading\"><strong>9. WARENKORB<\/strong><\/h3>\n<p>Der Klassifizierungs- und Regressionsbaum (CART) ist eine Art Entscheidungsbaum.  Ein Entscheidungsbaum funktioniert als rekursiver Partitionierungsansatz und CART teilt jeden der Eingabeknoten in zwei untergeordnete Knoten auf.  Auf jeder Ebene eines Entscheidungsbaums identifiziert der Algorithmus eine Bedingung: Welche Variable und Ebene wird verwendet, um den Eingabeknoten in zwei untergeordnete Knoten aufzuteilen.<\/p>\n<p>Die Schritte des CART-Algorithmus sind unten aufgef\u00fchrt:<\/p>\n<ul>\n<li>Nehmen Sie Eingabedaten entgegen<\/li>\n<li>beste Division<\/li>\n<li>beste Variable<\/li>\n<li>Teilen Sie die Eingabedaten in linke und rechte Knoten auf<\/li>\n<li>Fahren Sie mit den Schritten 2\u20134 fort<\/li>\n<li>Beschneiden von Entscheidungsb\u00e4umen<\/li>\n<\/ul>\n<h3 id=\"10-apriori-machine-learning-algorithm\" class=\"ftwp-heading\"><strong>10. A-priori-Algorithmus f\u00fcr maschinelles Lernen<\/strong><\/h3>\n<p>Der Apriori-Algorithmus ist ein Kategorisierungsalgorithmus.  Diese maschinelle Lerntechnik wird zur Klassifizierung gro\u00dfer Datenmengen eingesetzt.  Es kann auch verwendet werden, um zu verfolgen, wie sich Beziehungen entwickeln und wie Kategorien konstruiert werden.  Bei diesem Algorithmus handelt es sich um eine unbeaufsichtigte Lernmethode, die Assoziationsregeln aus einem gegebenen Datensatz generiert.<\/p>\n<p>Der apriorische Algorithmus f\u00fcr maschinelles Lernen funktioniert wie folgt:<\/p>\n<ul>\n<li>Wenn eine Menge von Elementen h\u00e4ufig vorkommt, dann kommen auch alle Teilmengen der Menge von Elementen h\u00e4ufig vor.<\/li>\n<li>Wenn eine Elementmenge selten vorkommt, treten auch alle Obermengen der Elementmenge selten auf.<\/li>\n<\/ul>\n<p>Dieser ML-Algorithmus wird in einer Vielzahl von Anwendungen eingesetzt, beispielsweise zur Erkennung unerw\u00fcnschter Arzneimittelwirkungen, zur Warenkorbanalyse und f\u00fcr Anwendungen zur automatischen Vervollst\u00e4ndigung.  Es ist einfach umzusetzen.<\/p>\n<h3 id=\"11-principal-component-analysis-pca\" class=\"ftwp-heading\"><strong>11. Hauptkomponentenanalyse (PCA)<\/strong><\/h3>\n<p>Die Hauptkomponentenanalyse (PCA) ist eine <a href=\"https:\/\/en.wikipedia.org\/wiki\/Unsupervised_learning\" target=\"_blank\" rel=\"nofollow noopener noreferrer\">unbeaufsichtigter Algorithmus<\/a>.  Die neuen Merkmale sind orthogonal, d. h. sie sind unkorreliert.  Bevor Sie PCA durchf\u00fchren, sollten Sie Ihren Datensatz immer normalisieren, da die Transformation skalenabh\u00e4ngig ist.  Wenn Sie dies nicht tun, dominieren die Funktionen mit der gr\u00f6\u00dften Bedeutung die neuen Kernkomponenten.<\/p>\n<p>PCA ist eine vielseitige Technik.  Dieser Algorithmus ist einfach und leicht zu implementieren.  Es kann in der Bildverarbeitung verwendet werden.<\/p>\n<h3 id=\"12-catboost\" class=\"ftwp-heading\"><strong>12. Katzenschub<\/strong><\/h3>\n<p>CatBoost ist ein Open-Source-Algorithmus f\u00fcr maschinelles Lernen, der von Yandex stammt.  Der Name \u201eCatBoost\u201c setzt sich aus zwei W\u00f6rtern zusammen: \u201eKategorie\u201c und \u201eBoosting\u201c.  Es kann mit Deep-Learning-Frameworks kombiniert werden, z. B. TensorFlow von Google und Core ML von Apple.  CatBoost kann mit zahlreichen Datentypen arbeiten, um verschiedene Probleme zu l\u00f6sen.<\/p>\n<h3 id=\"13-iterative-dichotomiser-3-id3\" class=\"ftwp-heading\"><strong>13. Iterativer Dichotomizer 3 (ID3)<\/strong><\/h3>\n<p>Iterative Dichotomiser 3 (ID3) ist eine von Ross Quinlan eingef\u00fchrte algorithmische Entscheidungsbaum-Lernregel, die zur Bereitstellung eines Entscheidungsbaums aus einem Datensatz verwendet wird.  Es ist der Vorl\u00e4ufer des algorithmischen Programms C4.5 und wird in den Bereichen maschinelles Lernen und sprachliche Kommunikation eingesetzt.<\/p>\n<p>ID3 kann zu einer \u00dcberanpassung der Trainingsdaten f\u00fchren.  Diese algorithmische Regel ist bei kontinuierlichen Daten schwieriger anzuwenden.  Es ist keine Garantie f\u00fcr eine optimale L\u00f6sung.<\/p>\n<h3 id=\"14-hierarchical-clustering\" class=\"ftwp-heading\"><strong>14. Hierarchische Gruppierung<\/strong><\/h3>\n<p>Hierarchisches Clustering ist eine Form der Clusteranalyse.  Zur Veranschaulichung der Daten wird ein Clusterbaum (ein Dendrogramm) in hierarchische Cluster entwickelt.  Beim hierarchischen Clustering ist jede Gruppe (Knoten) mit zwei oder mehr Nachfolgegruppen verkn\u00fcpft.  Jeder Knoten innerhalb des Clusterbaums enth\u00e4lt \u00e4hnliche Daten.  Knoten werden im Diagramm mit anderen \u00e4hnlichen Knoten gruppiert.<\/p>\n<h4><strong>Algorithmus<\/strong><\/h4>\n<p>Diese maschinelle Lernmethode kann in zwei Modelle unterteilt werden:<\/p>\n<p><strong>Bottom-up (Hierarchical Agglomerative Clustering, HAC)<\/strong><\/p>\n<ul>\n<li>Nehmen Sie zu Beginn dieser maschinellen Lerntechnik jedes Dokument als eine einzelne Gruppe.<\/li>\n<li>Kombinieren Sie in einer neuen Gruppe zwei Elemente gleichzeitig.  Die Art und Weise, wie Joiner zusammengef\u00fchrt werden, beinhaltet die Berechnung einer Differenz zwischen jedem eingef\u00fcgten Paar und damit den alternativen Stichproben.  Daf\u00fcr gibt es viele M\u00f6glichkeiten.  Einige von ihnen sind:<\/li>\n<\/ul>\n<p style=\"padding-left: 40px;\"><strong>Zu.  Vollst\u00e4ndiger Link<\/strong>: \u00c4hnlichkeit des am weitesten entfernten Paares.  Eine Einschr\u00e4nkung besteht darin, dass Ausrei\u00dfer dazu f\u00fchren k\u00f6nnen, dass benachbarte Cluster sp\u00e4ter als optimal zusammengef\u00fchrt werden.<\/p>\n<p style=\"padding-left: 40px;\"><strong>B.  Einfacher Link<\/strong>: Die \u00c4hnlichkeit des n\u00e4chsten Paares.  Es kann zu einer vorzeitigen Fusion kommen, obwohl diese Gruppen sehr unterschiedlich sind.<\/p>\n<p style=\"padding-left: 40px;\"><strong>C. Gruppendurchschnitt<\/strong>: \u00c4hnlichkeit zwischen Gruppen.<\/p>\n<p style=\"padding-left: 40px;\"><strong>D.  Schwerpunkt\u00e4hnlichkeit:<\/strong> Bei jeder Iteration werden die Gruppen mit dem \u00e4hnlichsten Mittelpunkt zusammengef\u00fchrt.<\/p>\n<ul>\n<li>Der Matching-Prozess wird fortgesetzt, bis alle Elemente zu einer einzigen Gruppe zusammengef\u00fchrt sind.<\/li>\n<\/ul>\n<p><strong>Von oben nach unten (trennende Gruppierung)<\/strong><\/p>\n<ul>\n<li>Die Daten beginnen mit einem kombinierten Cluster.<\/li>\n<li>Die Gruppe ist aufgrund einer gewissen \u00c4hnlichkeit in zwei unterschiedliche Teile unterteilt.<\/li>\n<li>Die Gruppen werden immer wieder zweigeteilt, bis sie nur noch einen einzigen Datenpunkt enthalten.<\/li>\n<\/ul>\n<h3 id=\"15-back-propagation\" class=\"ftwp-heading\"><strong>15. Backpropagation<\/strong><\/h3>\n<p>Backpropagation ist ein <a href=\"https:\/\/en.wikipedia.org\/wiki\/Supervised_learning\" target=\"_blank\" rel=\"nofollow noopener noreferrer\">\u00fcberwachter Lernalgorithmus<\/a>.  Dieser ML-Algorithmus stammt aus dem Bereich ANN (Artificial Neural Networks).  Dieses Netzwerk ist ein mehrschichtiges Feed-Forward-Netzwerk.  Ziel dieser Technik ist es, eine bestimmte Funktion zu entwerfen, indem die internen Gewichte der Eingangssignale ge\u00e4ndert werden, um das gew\u00fcnschte Ausgangssignal zu erzeugen.  Es kann zur Klassifizierung und Regression verwendet werden.<\/p>\n<p>Der Backpropagation-Algorithmus hat einige Vorteile, das hei\u00dft, er ist einfach zu implementieren.  Die im Algorithmus verwendete mathematische Formel kann auf jedes Netzwerk angewendet werden.  Bei kleinen Gewichten kann die Rechenzeit verk\u00fcrzt werden.<\/p>\n<p>Der Backpropagation-Algorithmus weist einige Nachteile auf, beispielsweise ist er empfindlich gegen\u00fcber verrauschten Daten und Ausrei\u00dfern.  Es handelt sich um einen vollst\u00e4ndig Array-basierten Ansatz.  Die tats\u00e4chliche Leistung dieses Algorithmus h\u00e4ngt vollst\u00e4ndig von den Eingabedaten ab.  Die Ausgabe kann nicht numerisch sein.<\/p>\n<h3 id=\"16-adaboost\" class=\"ftwp-heading\"><strong>16. AdaBoost<\/strong><\/h3>\n<p>AdaBoost steht f\u00fcr Adaptive Boosting, eine Methode des maschinellen Lernens, die von Yoav Freund und Robert Schapire vertreten wird.  Es handelt sich um einen Metaalgorithmus, der mit anderen Lernalgorithmen integriert werden kann, um die Leistung zu verbessern.  Dieser Algorithmus ist schnell und einfach zu verwenden.  Funktioniert gut mit gro\u00dfen Datenmengen.<\/p>\n<h3 id=\"17-deep-learning\" class=\"ftwp-heading\"><strong>17. Tiefes Lernen<\/strong><\/h3>\n<p>Deep Learning ist eine Reihe von Techniken, die von den Mechanismen des menschlichen Gehirns inspiriert sind.  Die beiden wichtigsten Deep-Learning-Methoden, n\u00e4mlich Convolution Neural Networks (CNN) und Recurrent Neural Networks (RNN), werden bei der Textklassifizierung verwendet.<\/p>\n<p>Deep-Learning-Algorithmen wie Word2Vec oder GloVe werden auch verwendet, um hochrangige Vektordarstellungen von W\u00f6rtern zu erhalten und die Genauigkeit von Klassifikatoren zu verbessern, die mit herk\u00f6mmlichen Algorithmen f\u00fcr maschinelles Lernen trainiert werden.<\/p>\n<p>Diese Methode des maschinellen Lernens erfordert viele Trainingsbeispiele anstelle herk\u00f6mmlicher Algorithmen f\u00fcr maschinelles Lernen, d. h. mindestens Millionen beschrifteter Beispiele.  Im Gegensatz dazu erreichen herk\u00f6mmliche Techniken des maschinellen Lernens einen genauen Schwellenwert, bei dem das Hinzuf\u00fcgen weiterer Trainingsbeispiele ihre Gesamtgenauigkeit nicht verbessert.  Deep-Learning-Klassifikatoren erzielen mit mehr Daten eine bessere Leistung.<\/p>\n<h3 id=\"18-gradient-boosting-algorithm\" class=\"ftwp-heading\"><strong>18. Algorithmus zur Gradientenverst\u00e4rkung<\/strong><\/h3>\n<p>Gradient Boosting ist eine Methode des maschinellen Lernens, die zur Klassifizierung und Regression verwendet wird.  Dies ist eine der leistungsst\u00e4rksten Methoden zur Entwicklung eines Vorhersagemodells.  Ein Gradient-Boosting-Algorithmus besteht aus drei Elementen:<\/p>\n<ul>\n<li>verlustfunktion<\/li>\n<li>schwacher Lehrling<\/li>\n<li>additives Modell<\/li>\n<\/ul>\n<h3 id=\"19-hopfield-network\" class=\"ftwp-heading\"><strong>19. Rotes Hopfield<\/strong><\/h3>\n<p>Ein Hopfield-Netzwerk ist eine Art rekursives Netzwerk <a href=\"https:\/\/en.wikipedia.org\/wiki\/Artificial_neural_network\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">k\u00fcnstliche neuronale Netz<\/a> gegeben von John Hopfield im Jahr 1982. Dieses Netzwerk zielt darauf ab, ein oder mehrere Muster zu speichern und die vollst\u00e4ndigen Muster basierend auf der Teileingabe abzurufen.  In einem Hopfield-Netzwerk sind alle Knoten Ein- und Ausg\u00e4nge und vollst\u00e4ndig miteinander verbunden.<\/p>\n<h3 id=\"20-c4-5\" class=\"ftwp-heading\"><strong>20. C4.5 <\/strong><\/h3>\n<p>C4.5 ist ein von Ross Quinlan erfundener Entscheidungsbaum.  Es handelt sich um eine verbesserte Version von ID3.  Dieses algorithmische Programm deckt einige Basisf\u00e4lle ab:<\/p>\n<ul>\n<li>Alle Proben auf der Liste geh\u00f6ren zu einer \u00e4hnlichen Kategorie.  Erstellen Sie einen Blattknoten f\u00fcr den Entscheidungsbaum und weisen Sie ihn an, \u00fcber diese Kategorie zu entscheiden.<\/li>\n<li>Erstellen Sie einen Entscheidungsknoten weiter oben im Baum unter Verwendung des erwarteten Werts der Klasse.<\/li>\n<li>Erstellen Sie mit dem erwarteten Wert einen Entscheidungsknoten weiter oben im Baum.<\/li>\n<\/ul>\n<h3 id=\"ending-thoughts\" class=\"ftwp-heading\"><strong>abschlie\u00dfende Gedanken<\/strong><\/h3>\n<p>Es ist sehr wichtig, den richtigen Algorithmus basierend auf Ihren Daten und Ihrer Dom\u00e4ne zu verwenden, um ein effizientes maschinelles Lernprojekt zu entwickeln.  Dar\u00fcber hinaus ist es wichtig, den entscheidenden Unterschied zwischen den einzelnen Algorithmen f\u00fcr maschinelles Lernen zu verstehen, um zu kl\u00e4ren, wann ich welchen w\u00e4hle.<\/p>\n<p>Wie bei einem maschinellen Lernansatz hat eine Maschine oder ein Ger\u00e4t durch den Lernalgorithmus gelernt.  Ich bin fest davon \u00fcberzeugt, dass dieser Artikel Ihnen hilft, den Algorithmus zu verstehen.  Wenn Sie Vorschl\u00e4ge oder Fragen haben, z\u00f6gern Sie nicht, uns zu fragen.  Weiter lesen.<\/p>\n   ","protected":false},"excerpt":{"rendered":"<p>Als ich anfing, mich mit maschinellen Lernproblemen zu besch\u00e4ftigen, geriet ich in Panik, welchen Algorithmus ich verwenden sollte. Oder welches ist einfach anzuwenden? Wenn Sie wie ich sind, k\u00f6nnte Ihnen dieser Artikel dabei helfen, mehr \u00fcber Algorithmen, Methoden oder Techniken f\u00fcr k\u00fcnstliche Intelligenz und maschinelles Lernen zu erfahren, um unerwartete oder erwartete Probleme zu l\u00f6sen. [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":896183,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","fifu_image_url":"https:\/\/blogging-techies.com\/wp-content\/uploads\/2023\/06\/124560x240.jpg","fifu_image_alt":""},"categories":[7],"tags":[],"_links":{"self":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/posts\/896182"}],"collection":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/comments?post=896182"}],"version-history":[{"count":0,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/posts\/896182\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/media\/896183"}],"wp:attachment":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/media?parent=896182"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/categories?post=896182"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/tags?post=896182"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}