Desafios e aplicações do aprendizado de máquina

Name: Desafios e aplicações do aprendizado de máquina
Author: Gabriel Popoola

Este capítulo abordará desafios e aplicações no campo de aprendizado de máquina. Ele cobrirá a seleção de modelos para aprendizado de máquina, bem como…

Preview the first lesson free — get full access to all 5 lessons.

Solicitar uma demonstração Entrar

Curso: sob demanda

Bem-vindo ao curso da KnowledgeCity em aprendizado de máquina, Machine Learning, Desafios e Aplicações. Nestas lições, você aprenderá sobre seleção de modelos, desafios, considerações éticas, considerações-chave, e aplicações. O que é seleção de modelos? A seleção do modelo é o processo de seleção um bom modelo de aprendizado de máquina para treinar usando um conjunto de dados. Pode ser aplicado de duas maneiras. Primeiro, pode ser em vários modelos do mesmo tipo, ou pode ser em vários modelos de diferentes tipos. Coisas a considerar ao passar pela seleção do modelo, nossos requisitos de partes interessadas. Então, para quem ou o que você está produzindo este modelo, quais são os critérios do cliente. Recursos computacionais disponíveis. Então, dependendo da complexidade do modelo, pode muito bem ser impossível para implementar alguns dos mais complexos, dados os recursos de computação que você tem disponível para você. Então você precisa selecionar um modelo que pode realmente ser treinado, dados os recursos que você tem. Além disso, você deseja considerar o objetivo geral ou propósito do modelo que está sendo treinado ou desenvolvido. E assim se o objetivo do modelo é fazer previsões sobre os dados que podem ou não ser semelhantes aos dados de treinamento, então você quer ter certeza de que o modelo selecionado é robusto a mudanças. Se você souber que os dados você estará usando classificar será muito semelhante aos dados de treinamento, ou não haverá uma grande variação ou variação, então você provavelmente pode selecionar um modelo mais simples para usar. Em seguida eu vou entrar em prós e contras do modelo. Para máquinas de vetor de suporte, os prós são que não é muito afetado por outliers. É uma das melhores escolhas quando as classes são separáveis e funciona bem com dados de alta dimensão. Alguns pontos negativos são que pode ser lento para grandes conjuntos de dados. E se suas classes estiverem se sobrepondo de alguma forma, então pode diminuir muito o desempenho do modelo. E por último, escolhendo a função de kernel correta pode ser muito complicado e difícil para SVMs. Para regressão logística, os prós são que é fácil de implementar. Ele não exige que você dimensione seus recursos de forma alguma. E não requer otimizar seus hiperparâmetros de qualquer maneira. Do lado negativo, eles não são muito úteis para dados não lineares. Eles têm um desempenho ruim com dados de entrada altamente correlacionados. E eles são facilmente superados por outros algoritmos e classificadores. Para florestas aleatórias, eles são bons para lidar com dados ausentes. Eles não são muito afetados por outliers. E eles têm erros menores do que as árvores individuais. Do lado negativo, os recursos precisam ter algum poder preditivo. Eles não são facilmente explicáveis porque envolvem muitos classificadores menores. E eles exigem as previsões das árvores ser não correlacionado. Por fim, para árvores de decisão, os prós são que eles não exigem os dados normalizado ou dimensionado. Eles não são fortemente afetados por valores ausentes. E eles são fáceis de explicar e visualizar. No lado negativo, eles são propensos a over-fitting, sensível às mais pequenas alterações nos dados. E eles podem ter tempos de treinamento mais longos. Isso conclui esta lição. E a seguir, vamos discutir alguns dos desafios com aprendizado de máquina. Obrigada.

Principiante Fornecedor : Gabriel Popoola 5 lições · 10m em Árabe, Alemão, Inglês, Espanhol, Francês, Português, Urdu, Chinese

Descrição do curso

Este capítulo abordará desafios e aplicações no campo de aprendizado de máquina. Ele cobrirá a seleção de modelos para aprendizado de máquina, bem como considerações éticas e outras considerações importantes. Desafios específicos de aprendizado de máquina, bem como algumas de suas aplicações mais populares, também serão abordados.

Objectivos de aprendizado:

O Que Você Vai Aprender

Saiba mais sobre os principais tipos de seleção de modelos para aprendizado de máquina
Identifique desafios comuns encontrados no aprendizado de máquina
Examine considerações éticas relevantes para o aprendizado de máquina
Revise considerações-chave ao trabalhar com aprendizado de máquina
Explore aplicações populares do aprendizado de máquina

Principais Conclusões

Este capítulo cobre desafios e aplicações no campo do aprendizado de máquina.
A seleção de modelos envolve compreender seus principais tipos conforme aplicados ao aprendizado de máquina.
O aprendizado de máquina envolve considerações éticas e outras considerações-chave.
O curso aborda desafios específicos de aprendizado de máquina juntamente com algumas de suas aplicações mais populares.

Perguntas Frequentes

O que este curso cobre?

Ele cobre desafios e aplicações no campo do aprendizado de máquina, incluindo seleção de modelos, considerações éticas e outras, desafios específicos de aprendizado de máquina e algumas de suas aplicações mais populares.

Quais são os objetivos de aprendizagem deste curso?

Os objetivos são aprender sobre os principais tipos de seleção de modelos e aprender sobre desafios comuns de aprendizado de máquina.

Quais lições estão incluídas neste curso?

As lições são Seleção de Modelos, Desafios, Considerações Éticas, Considerações-Chave e Aplicações.

Quais habilidades este curso relaciona?

Ele se relaciona com Aprendizado Automatizado de Máquina, Aprendizado de Máquina, Algoritmos de Aprendizado de Máquina, Métodos de Aprendizado de Máquina, Treinamento de Modelos de Aprendizado de Máquina e Monitoramento e Avaliação de Modelos de Aprendizado de Máquina.