Maschinelles Lernen und Klassifizierung

Name: Maschinelles Lernen und Klassifizierung
Author: Briana Brownell

Erlernen der Grundlagen der Klassifikationsmodellierung und der Verwaltung der Datenerfassung und -vorverarbeitung

Preview the first lesson free — get full access to all 6 lessons.

Kurs: On-Demand

In diesem Kapitel Wir werden über die Grundlagen sprechen der Klassifikationsmodellierung, einschließlich, wie es in das größere Bild passt des maschinellen Lernens und der künstlichen Intelligenz. Also, was ist maschinelles Lernen? Ich liebe diese Definition von Robert Schapire von Princeton weil es uns einen intuitiven Weg gibt darüber nachzudenken, wie Computer lernen können. Das erste, was zu bemerken ist In dieser Definition hängt alles maschinelle Lernen davon ab auf verschiedene Arten von Computeralgorithmen die wir verwenden können, um verschiedene Probleme zu lösen. Die zweite Sache ist die Abhängigkeit von Daten damit maschinelles Lernen funktioniert. Da wir gerade in einer so datenreichen Welt leben, man vergisst leicht, dass das nicht immer so war. In der Geschichte waren Daten eigentlich recht knapp, und damit der größte Teil der Klassifikationsmodellierung und der größte Teil der KI-Modellierung war tatsächlich nicht basierend auf Datenbeobachtungen; es basierte auf anderen Formen von Daten, die wir zum Aufbau verwenden könnten einige dieser komplexeren Systeme, Dinge wie Unterricht und direkte Erfahrung. Aber jetzt haben wir Zugriff auf alle Arten von Daten in allen Arten von unterschiedlichen Domänen. Und so der Großteil der maschinellen Lernmodellierung was Sie tun werden, hängt vom Lernen ab aus Beobachtungsdaten. Es gibt drei Haupttypen des maschinellen Lernens: überwachtes Lernen, unüberwachtes Lernen, und bestärkendes Lernen. Und all diese breiten Stile des maschinellen Lernens verschiedene Probleme lösen. Beim überwachten Lernen dreht sich alles darum, etwas zu tun der Vorhersage oder Klassifikation, und dafür braucht man Beispiele, die was heißt, beschriftet. Und das bedeutet, dass Sie eine Reihe von Eingabevariablen haben und Sie versuchen, diese zu verwenden irgendein Ergebnis vorherzusagen. Wenn Sie also an das Beispiel der Kundenabwanderung denken, Sie können eine Reihe von Daten haben, die sich ansehen wie zufrieden dieser Kunde mit einem Produkt war, wie sie dieses Produkt verwendet haben, und dann war die Ergebnisvariable ob sie ihren Dienst gekündigt haben oder nicht. Bei Problemen mit überwachtem Lernen Es ist wichtig, diese beschriftete Variable zu haben die du vorhersagen kannst. Im Vergleich dazu hat unüberwachtes Lernen keine eine beschriftete Ausgangsvariable, und was das bedeutet, ist die Art der Probleme die Sie mit unüberwachtem Lernen lösen ein kleines bisschen anders. Sie suchen nach neuen Mustern innerhalb der Daten, mit denen Sie erkunden können und die Daten differenzierter zu nutzen; Dinge wie das Verständnis, welche Variablen zusammenhängen zueinander; Dinge verstehen wie verschiedene Gruppen, verschiedene Cluster innerhalb der Daten die Sie verwenden können, um die Daten zu verstehen, die Sie haben. Und schließlich ist Reinforcement Learning etwas anders als beide betreut und unüberwachtes maschinelles Lernen. Beim bestärkenden Lernen, Es gibt einen aktiven Agenten, der eine Methode lernt Entscheidungen treffen. Diese Art des maschinellen Lernens ist also in Spielen sehr verbreitet, also Dinge wie Lehre und künstliche Intelligenz wie man Dame oder Schach spielt oder irgendein anderes spiel wie das. Überwachtes maschinelles Lernen ist bei weitem die häufigste Art des maschinellen Lernens die Ihnen in der Industrie begegnen. Tatsächlich ist die Klassifikationsmodellierung ein wichtiger Typ des überwachten maschinellen Lernens. Das heißt, unüberwachtes maschinelles Lernen wird auch enorm wichtig werden auch während Sie überwachtes Lernen durchführen weil viele der Methoden, die Sie verwenden können beim unüberwachten Lernen kann extrem wichtig sein bei Dingen wie der Funktionsauswahl und die Nuancen in den Daten zu verstehen die Sie verwenden innerhalb eines überwachten maschinellen Lernproblems, Daher ist es durchaus üblich, beide zusammen zu verwenden. Und so werden wir einige Konzepte berühren des unüberwachten Lernens auch in diesem Kurs. Jetzt haben Sie die Grundlagen der drei Haupttypen des maschinellen Lernens und wie überwachtes maschinelles Lernen und das Klassifikationsmodell passt in sie hinein.

Mittelstufe Anbieter : Briana Brownell 6 Lektionen · 26m auf Arabisch, Deutsch, Englisch, Spanisch, Französisch, Portugiesisch, Chinese

Kursbeschreibung

Diese Lektionen führen in die Klassifizierungsmodellierung und ihren Problembereich innerhalb des überwachten maschinellen Lernens ein. Sie lernen den Unterschied zwischen Klassifizierung und Vorhersage kennen und erfahren, wie sich die Klassifizierungsmodellierung in den größeren Bereich des maschinellen Lernens einfügt. Sie werden lernen, wie Sie Klassifizierungsprobleme angehen können, und Sie werden in die typische Klassifizierungsmodell-Pipeline eingeführt.

Sobald Sie die Klassifizierungsmodell-Pipeline verstanden haben, lernen Sie, wie Sie mit den ersten Schritten der Datenerfassung beginnen. Schließlich erhalten Sie praktische Tipps zur Verwaltung der Datenerfassung und Informationen zur Vorverarbeitung eines Klassifikationsmodells.

Was Sie lernen werden

Unterscheiden Sie Klassifizierung von Vorhersage und wie Klassifizierung in das größere Feld des maschinellen Lernens passt
Erkennen Sie grundlegende Klassifizierungskonzepte im überwachten maschinellen Lernen
Wenden Sie die typische Klassifizierungsmodell-Pipeline an, um Klassifizierungsprobleme zu lösen
Beginnen Sie mit den ersten Schritten der Datenerfassung für ein Klassifizierungsmodell
Verwalten Sie die Datenerfassung und verarbeiten Sie Daten für ein Klassifizierungsmodell

Wichtige Erkenntnisse

Klassifizierungsmodellierung befindet sich im Problemraum des überwachten maschinellen Lernens.
Klassifizierung und Vorhersage sind unterschiedlich, und der Kurs lehrt Sie, sie auseinanderzuhalten.
Ein typisches Klassifizierungsmodell folgt einer Pipeline, und das Verständnis hilft Ihnen, sich Klassifizierungsproblemen zu nähern.
Datenerfassung und -verarbeitung sind wichtige erste Schritte beim Aufbau eines Klassifizierungsmodells.
Der Kurs behandelt praktische Tipps für die Verwaltung der Datenerfassung für die Klassifizierung.

Häufig gestellte Fragen

Was behandelt dieser Kurs?

Er führt Klassifizierungsmodellierung und seinen Problemraum im überwachten maschinellen Lernen ein, einschließlich des Unterschieds zwischen Klassifizierung und Vorhersage, wie Klassifizierung in das größere Feld des maschinellen Lernens passt, die typische Klassifizierungsmodell-Pipeline und die ersten Schritte der Datenerfassung und -verarbeitung.

Welche Lektionen sind enthalten?

Die Lektionen sind Überwachtes maschinelles Lernen, Grundlegende Klassifizierungskonzepte, Klassifizierung vs. Vorhersage, Die Klassifizierungsmodell-Pipeline, Datenerfassung und Datenverarbeitung.

Welche Fähigkeiten werde ich erwerben?

Sie werden Fähigkeiten in Datenklassifizierung, maschinellem Lernen, maschinellem Lernen - Modelltraining, maschinellem Lernen - Modellüberwachung und -bewertung, statistischer Klassifizierung und überwachtem Lernen entwickeln.

Erklärt der Kurs den Unterschied zwischen Klassifizierung und Vorhersage?

Ja. Der Kurs lehrt Sie, den Unterschied zwischen Klassifizierung und Vorhersage zu lernen und zu erkennen sowie wie Klassifizierungsmodellierung in das größere Feld des maschinellen Lernens passt.

Behandelt der Kurs Datenerfassung und -verarbeitung?

Ja. Nach Abdeckung der Klassifizierungsmodell-Pipeline lehrt er die ersten Schritte der Datenerfassung sowie praktische Tipps zur Verwaltung der Datenerfassung und Informationen zur Verarbeitung für ein Klassifizierungsmodell.