Video: Penjelasan AI ( Artificial Intelligence ) - HD 2025
Bagian dari Mesin Belajar Untuk Lembar Dosis Cheat < Pembelajaran mesin melibatkan penggunaan banyak algoritma yang berbeda. Tabel ini memberi Anda ringkasan singkat tentang kekuatan dan kelemahan berbagai algoritma.
Algoritma
| Terbaik di | Kelebihan | Kontra | Hutan Acak |
| Apt di hampir semua masalah belajar mesin | Bioinformatika
Dapat bekerja secara paralel |
Seldom overfits > Secara otomatis menangani nilai yang hilang
Tidak perlu mengubah variabel apapun Tidak perlu mengubah parameter Tidak dapat digunakan oleh hampir semua orang dengan hasil bagus Sulit untuk menafsirkan Weaker pada regresi saat memperkirakan nilai di ekstrem distribusi nilai respons |
Bias dalam masalah multikelas ke kelas yang lebih sering
Peningkatan Gradien Apt pada hampir semua masalah belajar mesin |
| Mesin pencari (memecahkan masalah belajar memberi peringkat) > Ini kira-kira mendekati fungsi nonlinier | Yang terbaik di kelas prediktor
Secara otomatis menangani nilai yang hilang |
Tidak perlu mengubah variabel apapun
Dapat terlalu banyak jika dijalankan terlalu banyak iterasi Sensitif terhadap data berisik dan outlier Tidak bekerja dengan baik tanpa parameter tuning |
Regresi linier
Prediksi awal t hitung Prediksi ekonometrik |
| Pemodelan tanggapan pemasaran | Sederhana untuk memahami dan menjelaskan
jarang sekali Menggunakan regularisasi L1 & L2 efektif dalam pemilihan fitur |
Cepat untuk melatih
Mudah untuk Latih data yang besar berkat versi stokastik Anda harus bekerja keras untuk membuatnya sesuai fungsi nonlinier Dapat menderita outlier Dukungan Mesin Vektor |
Pengenalan karakter
Pengenalan gambar |
| Teks Klasifikasi | Pembuatan fitur nonlinier otomatis
Dapat mendekati fungsi nonlinier yang kompleks Sulit untuk menafsirkan saat menerapkan kernel nonlinier |
Menderita terlalu banyak contoh, setelah 10.000 contoh mulai terlalu lama untuk berlatih
K-terdekat Tetangga |
Penglihatan komputer
Penandaan multilabel |
| Sistem rekomendasi | Masalah pengecekan ejaan
Latihan cepat dan malas Secara alami dapat menangani masalah multiklass yang ekstrem (seperti teks penandaan) Lambat dan tidak praktis dalam fase prediksi |
Dapat gagal memprediksi koreksi ectly karena kutukan dimensi
Adaboost |
Deteksi wajah
Secara otomatis menangani nilai yang hilang |
| Tidak perlu mengubah variabel apapun | Tidak terlalu mudah | Beberapa parameter untuk men-tweak > Dapat memanfaatkan banyak pembelajar lemah yang berbeda
Sensitif terhadap data dan outlier yang bising Jangan pernah prediksi terbaik di kelas Naive Bayes Pengenalan wajah |
Analisis sentimen
Deteksi spam |
| Klasifikasi teks | Mudah dan cepat untuk diimplementasikan, tidak memerlukan terlalu banyak memori dan dapat digunakan untuk pembelajaran online
Mudah dimengerti Mempertimbangkan pengetahuan sebelumnya Asumsi independensi fitur yang kuat dan tidak realistis > Gagal memperkirakan kejadian langka |
Menderita dari fitur yang tidak relevan
Neural Networks Pengenalan citra |
Pengenalan dan terjemahan bahasa
Pengenalan ucapan Pengenalan visi |
| Dapat mendekati fungsi nonlinier | Kuat terhadap outlier
Bekerja hanya dengan sebagian contoh (vektor pendukung s) Sangat sulit untuk mengatur Sulit untuk menyesuaikan karena terlalu banyak parameter dan Anda juga harus memutuskan arsitektur jaringan |
Sulit untuk menafsirkan
Mudah untuk menerima regresi Logistik |
Memesan hasil dengan probabilitas
Memodelkan tanggapan pemasaran Sederhana untuk memahami dan menjelaskan jarang overfits |
| Menggunakan regularisasi L1 & L2 efektif dalam pemilihan fitur | Algoritma terbaik untuk memprediksi probabilitas sebuah event
Cepat untuk melatih |
Mudah untuk melatih data besar berkat versi stochastic
Anda harus bekerja keras untuk membuatnya sesuai fungsi nonlinier Dapat menderita outlier SVD Recommender sistem Dapat merestrukturisasi data dengan cara yang berarti |
Sulit untuk memahami mengapa data telah direstrukturisasi dengan cara tertentu
PCA |
| Menghapus collinearity | Mengurangi dimensi kumpulan data | Dapat mengurangi dimensi data | Menerapkan asumsi linier yang kuat (komponen adalah penjumlahan fitur tertimbang) K-means |
| Segmentasi | Cepat dalam menemukan kelompok
Dapat mendeteksi outlier dalam berbagai dimensi |
Menderita multikolinearitas | Cluster bersifat bola, tidak dapat mendeteksi kelompok dengan bentuk lain |
| tidak stabil solusi, tergantung pada inisialisasi |
Pilihan Editor
Kantor 2011 untuk Mac: Membuat Tabel dengan Kotak Dialog atau Teks - dummiesSementara ada cara baru untuk membuat tabel di Office 2011 untuk Mac, Anda masih bisa menggunakan teknik stand-by. Menu yang familiar masih bekerja di Office 2011 untuk Mac, dan inilah buktinya. Dialog meja semuanya masih ada di sana: Di Word, pilih Table → Insert → Table; Sebagai alternatif, pada tab Tabel Ribbon, di Tabel Pilihan ... 
Kantor 2011 untuk Mac: Melepaskan Command Toolbar - dummiesApakah Anda menggunakan Office 2011 untuk Mac atau Produk Microsoft Office lainnya, toolbar Anda bisa sangat berantakan. Setiap kali Anda merasa perlu untuk men-tweak antarmuka aplikasi Microsoft Office, Anda perlu memanggil dialog Customize Toolbars and Menus. Ini adalah dialog super kuat di Word, Excel, dan PowerPoint yang memungkinkan Anda ... 
Kantor 2011 untuk Mac: Berbagi Toolbar dan Menu - dummiesSetelah Anda menyesuaikan Office 2011 Anda bilah alat dan antarmuka, Anda dapat berbagi penyesuaian dengan orang lain. Namun, pastikan bahwa Anda menasihati orang-orang yang telah Anda lakukan sebelum membagikan dokumen Anda dengannya; Jika tidak, mereka mungkin akan terkejut saat mereka membuka dokumen Anda dan melihat susunan toolbar atau menu yang berbeda dari pada apa ... Pilihan Editor
Penting Office 2007 Commands - dummiesAnda dapat membuat program Office 2007 lebih mudah jika Anda menggunakan pintasan sederhana ini. Perintah-perintah ini, seperti mengurungkan kesalahan dan memperbesar dan memperkecil akan membantu Anda menghemat waktu. Memasuki simbol: Untuk memasukkan simbol atau karakter asing yang tidak ada pada keyboard Anda, masuk ke tab Insert dan klik Symbol ... 
Menyesuaikan Perintah Menu di Office 2003 - dummiesOffice 2003 menyediakan dua teknik untuk menyesuaikan menu dan perintah menu. Anda bisa memulai dari kotak dialog Rearrange Commands atau menggunakan metode drag-and-drop. Teruslah membaca. Menangani perintah menu di kotak dialog Rearrange Commands Teknik tombol Options Toolbar untuk menangani tombol toolbar bagus dan keren, tapi bagaimana jika Anda ingin ... Pilihan Editor
Bagaimana memecahkan kesalahan logis dalam analisis argumen Pertanyaan GRE - dummiesKetika Anda menjawab Argument Analysis Pertanyaan di GRE, argumen mungkin tampak logis dan adil di permukaan tapi sebenarnya keliru (keliru, cacat). Alasan melingkar, penalaran sebab-akibat yang keliru, dan generalisasi sweeping adalah tiga tanda argumen lemah. Dengan melihat beberapa kesalahan logis yang lebih umum, Anda dapat mengidentifikasi kelemahan dalam argumen dan ... 
Pilihan ganda, Beberapa Jawaban tentang Tes Matematika GRE - Pertanyaan Praktik - dummiesMeskipun pertanyaan matematika biasanya hanya memiliki satu jawaban yang benar, ini tidak selalu terjadi. Akibatnya, beberapa pertanyaan pilihan ganda pada tes GRE Math akan memberi Anda daftar jawaban dan meminta Anda untuk memilih lebih dari satu. Pertanyaan praktik berikut meminta Anda untuk menemukan nilai kemungkinan yang berbeda secara berurutan dan ... 
Pilihan ganda, Beberapa Jawaban tentang Tes Verbal GRE - Pertanyaan Praktik - dummiesPada tes GRE Verbal, beberapa pertanyaan pilihan ganda akan memiliki lebih dari satu jawaban yang benar. Untuk pertanyaan ini, Anda akan diminta untuk melihat-lihat pilihan jawaban dan memilih semua yang menurut Anda benar. Dalam pertanyaan praktik berikut, Anda diminta untuk membaca bagian yang disertakan, dan kemudian ... |
