Makine öğrenmesi: Sorun Belirleme

Genel olarak, bir öğrenme problemi n veri örneği setini inceler ve daha sonra bilinmeyen verilerin özelliklerini tahmin etmeye, öngörmeye çalışır.

Eğitim Seti ve Test Seti

Makine öğrenmesi, bir veri kümesinin bazı özelliklerini öğrenmek ve bunları yeni verilere uygulamakla ilgilidir. Bu yüzden bir algoritmayı değerlendirmek için makine öğrenmesindeki ortak uygulama, eldeki veriyi iki gruba ayırmaktır; Veri özelliklerini öğrendiğimiz eğitim setini ve bunları test ettiğimiz test seti.

Her örnek birden fazla ise ve örneğin çok boyutlu bir girdi (çok değişkenli veriler) ise, birkaç özellik veya özellik taşıdığını söyleyebiliriz.öğrenimi
Öğrenme problemlerini birkaç büyük kategoriye ayırabiliriz:

Denetimli Öğrenme: Verilerin, tahmin etmek istediğimiz ek niteliklerle birlikte geldiği gözetim altında öğrenme

sınıflandırma: örnekler iki veya daha fazla sınıfa aittir ve zaten etiketlenmiş verilerden öğrenmek istenilir
regresyon: istenilen çıktı bir veya daha fazla sürekli değişken içeriyorsa

Denetimsiz Öğrenme: öğrenim görmeyen öğrenme, burada eğitim verileri, karşılık gelen herhangi bir girdi vektörü kümesi x içermez
Hedef değerler. Bu gibi sorunların hedefi, veri içindeki benzer örnek grupları keşfetmek olabilir; bu da, Kümeleme olarak adlandırılır veya yoğunluk tahmini olarak bilinen giriş alanındaki verilerin dağılımını belirler,

ml_map.pnghttp://scikit-learn.org/stable/tutorial/machine_learning_map/index.html

Referans:

http://scikit-learn.org/stable/_downloads/scikit-learn-docs.pdf

Designed by Veckingo