Fiszki – Uczenie maszynowe i NLP

Dziedzina sztucznej inteligencji, której celem jest budowa modeli uczących się wzorców z danych w celu podejmowania decyzji lub przewidywania wyników bez ręcznego programowania reguł.

Model uczy się na oznakowanych danych (X, Y). Zadania: klasyfikacja, regresja. Przykładowe algorytmy: drzewa decyzyjne, k-NN, regresja logistyczna, SVM.

Model uczy się na danych bez etykiet, odkrywając ukryte struktury. Zadania: klasteryzacja, redukcja wymiarów, reguły asocjacyjne, detekcja anomalii. Algorytmy: k-means, DBSCAN, PCA, autoenkodery.

Paradygmat, w którym agent uczy się poprzez interakcję ze środowiskiem i otrzymywanie nagród za działania. Pojęcia: agent, środowisko, bufor doświadczeń.

Zadanie uczenia nadzorowanego polegające na przypisaniu obiektu do jednej z klas. Algorytmy: drzewa decyzyjne, k-NN, Naive Bayes, regresja logistyczna, SVM, Random Forest, sieci neuronowe.

Zadanie uczenia nadzorowanego polegające na przewidywaniu wartości liczbowych. Rodzaje: liniowa, wielomianowa, regresja z drzewami, sieci neuronowe.

Zadanie uczenia nienadzorowanego – grupowanie obiektów według podobieństwa. Algorytmy: k-means, klastrowanie hierarchiczne, DBSCAN, GMM.

Metody odkrywania współwystępujących elementów w danych. Przykład: {Chleb} → {Masło}. Algorytmy: Apriori, FP-Growth.

Odsetek poprawnych przewidywań.

Udział prawdziwych pozytywów wśród przewidywań pozytywnych.