tgoop.com/Amar_kadeh/6729
Last Update:
یادگیری ماشین در یک نگاه
رگرسیون خطی
رابطه بین متغیر وابسته و مستقل رو با یک معادله خطی مدلسازی میکنه.
رگرسیون لجستیک
مناسب برای مسائل دستهبندی (binary classification)
احتمال اینکه یک نمونه به یک کلاس خاص تعلق داشته باشه رو تخمین میزنه.
درخت تصمیم
دادهها رو براساس مقادیر ویژگیهای ورودی به زیرمجموعهها تقسیم میکنه.
بصریسازی و تفسیرش راحته
Random Forest
از چندین درخت تصمیم استفاده میکنه.
با میانگینگیری از چند درخت، Overfitting رو کاهش میده
SVM
بهترین ابرصفحه برای جدا کردن کلاسهای مختلف رو پیدا میکنه.
در فضاهای با ابعاد بالا بسیار مؤثره.
نزدیکترین همسایه (k-NN)
همسایههای نزدیک رو میذاره توی یک خوشه. ممکنه محاسبات زیادی نیاز داشته باشه.
K-Means
دادهها رو براساس شباهت ویژگیها به k خوشه تقسیم میکنه.
Naive Bayes
برای دستهبندی متن و فیلتر کردن اسپم خیلی کاربردیه.
شبکههای عصبی
الگوها رو توی دادهها شناسایی میکنن.
پایه یادگیری عمیق و پردازش زبان طبیعی هست.
Gradient Boosting
چند مدل ضعیف رو ترکیب میکنه تا یک مدل پیشبینی قوی بسازه.
@silicon_brain
┏━━━━━
🌐 @Amar_kadeh 📖✍️
┗━━━━━━━━━
BY آمارکده
Share with your friend now:
tgoop.com/Amar_kadeh/6729