Обзор и тематическое руководство по машинному обучению
Следующий план представляет собой обзор и тематическое руководство по машинному обучению:
Машинное обучение — подраздел мягких вычислений в компьютерной науке , который развился из изучения распознавания образов и теории вычислительного обучения в области искусственного интеллекта . [1] В 1959 году Артур Сэмюэл определил машинное обучение как «область изучения, которая дает компьютерам возможность учиться без явного программирования». [2] Машинное обучение включает в себя изучение и построение алгоритмов , которые могут обучаться на данных и делать прогнозы на. [3] Эти алгоритмы работают путем построения модели из примерного обучающего набора входных наблюдений для создания прогнозов или решений на основе данных, выраженных в виде выходных данных, а не следуя строго статическим инструкциям программы.
Чтотипчто такое машинное обучение?
Парадигмы машинного обучения
Применение машинного обучения
Аппаратное обеспечение для машинного обучения
Инструменты машинного обучения
Фреймворки машинного обучения
Собственные фреймворки машинного обучения
Фреймворки машинного обучения с открытым исходным кодом
Библиотеки машинного обучения
Алгоритмы машинного обучения
Методы машинного обучения
Алгоритм на основе экземпляра
Регрессионный анализ
Уменьшение размерности
Уменьшение размерности
Ансамбльное обучение
Ансамбльное обучение
Мета-обучение
Мета-обучение
Обучение с подкреплением
Обучение с подкреплением
Контролируемое обучение
Контролируемое обучение
байесовский
Байесовская статистика
Алгоритмы дерева решений
Алгоритм дерева решений
Линейный классификатор
Линейный классификатор
Неконтролируемое обучение
Неконтролируемое обучение
Искусственные нейронные сети
Искусственная нейронная сеть
Изучение правил ассоциации
Изучение правил ассоциации
Иерархическая кластеризация
Иерархическая кластеризация
Кластерный анализ
Кластерный анализ
Обнаружение аномалий
Обнаружение аномалий
Полуконтролируемое обучение
Полуконтролируемое обучение
Глубокое обучение
Глубокое обучение
Другие методы и проблемы машинного обучения
Исследования машинного обучения
История машинного обучения
История машинного обучения
Проекты машинного обучения
Проекты машинного обучения
Организации машинного обучения
Организации машинного обучения
Конференции и семинары по машинному обучению
Публикации по машинному обучению
Книги по машинному обучению
- Математика для машинного обучения
- Практическое машинное обучение Scikit-Learn, Keras и TensorFlow
- Стостраничная книга о машинном обучении
Журналы машинного обучения
Лица, оказавшие влияние на машинное обучение
Смотрите также
Другой
Дальнейшее чтение
- Тревор Хасти , Роберт Тибширани и Джером Х. Фридман (2001). Элементы статистического обучения , Springer. ISBN 0-387-95284-5 .
- Педро Домингос (сентябрь 2015 г.), Главный алгоритм , Basic Books, ISBN 978-0-465-06570-7
- Мехрияр Мохри , Афшин Ростамизаде, Амит Талвалкар (2012). Основы машинного обучения , The MIT Press. ISBN 978-0-262-01825-8 .
- Ян Х. Виттен и Эйб Франк (2011). Data Mining: Практические инструменты и методы машинного обучения Морган Кауфманн, 664 стр., ISBN 978-0-12-374856-0 .
- Дэвид Дж. К. Маккей . Теория информации, вывод и алгоритмы обучения Кембридж: Издательство Кембриджского университета, 2003. ISBN 0-521-64298-1
- Ричард О. Дуда , Питер Э. Харт , Дэвид Г. Сторк (2001) Классификация образов (2-е издание), Wiley, Нью-Йорк, ISBN 0-471-05669-3 .
- Кристофер Бишоп (1995). Нейронные сети для распознавания образов , Oxford University Press. ISBN 0-19-853864-2 .
- Владимир Вапник (1998). Статистическая теория обучения . Wiley-Interscience, ISBN 0-471-03003-1 .
- Рэй Соломонофф , Машина индуктивного вывода , Протокол конференции IRE, Раздел теории информации, Часть 2, стр., 56–62, 1957.
- Рэй Соломонофф , «Машина индуктивного вывода». Частный доклад с Летней исследовательской конференции по искусственному интеллекту в Дартмуте 1956 года .
Ссылки
- ^ http://www.britannica.com/EBchecked/topic/1116194/machine-learning Этот третичный источник повторно использует информацию из других источников, но не называет их.
- ↑ Фил Саймон (18 марта 2013 г.). Слишком большой, чтобы игнорировать: бизнес-кейс для больших данных. Wiley. стр. 89. ISBN 978-1-118-63817-0.
- ^ Рон Кохави; Фостер Провост (1998). «Глоссарий терминов». Машинное обучение . 30 : 271–274. doi : 10.1023/A:1007411609915 .
- ^ Settles, Burr (2010), «Обзор литературы по активному обучению» (PDF) , Computer Sciences Technical Report 1648. University of Wisconsin–Madison , получено 18 ноября 2014 г.
- ^ Рубенс, Нил; Элахи, Мехди; Сугияма, Масаси; Каплан, Дейн (2016). «Активное обучение в рекомендательных системах». В Риччи, Франческо; Рокач, Лиор; Шапира, Браха (ред.). Справочник по рекомендательным системам (2-е изд.). Springer US. doi : 10.1007/978-1-4899-7637-6. hdl : 11311/1006123. ISBN 978-1-4899-7637-6. S2CID 11569603.
Внешние ссылки
- Наука о данных: от данных к знаниям от Массачусетского технологического института (машинное обучение)
- Популярный онлайн-курс Эндрю Нг на Coursera. Он использует GNU Octave . Курс является бесплатной версией реального курса Стэнфордского университета, который преподает Нг, см. stanford.edu/Course/CS229, доступного бесплатно].
- mloss — это академическая база данных программного обеспечения для машинного обучения с открытым исходным кодом.
Определения из Викисловаря
Медиа из Commons
Новости из Викиновостей
Цитаты из Викицитатника
Тексты из Викиресурса
Учебники из Wikibooks
Ресурсы из Викиверситета