Video: Penjelasan AI ( Artificial Intelligence ) - HD 2024
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
Perancang Minigame Minigame - dummiesSebelum menulis semua kode untuk membuat Minecraft Minigame, Anda perlu merancang permainan Anda. The Gameplay Loop adalah proses sederhana yang bisa Anda ikuti untuk memastikan permainan Anda menyenangkan, menantang, dan lengkap. The Gameplay Loop memiliki empat bagian: Start: Buat adegan dasar. Tujuan: Menambahkan cara untuk menang dan ... 
Menciptakan Efek Air dan Es di Minecraft - dummiesSatu hal yang rapi tentang Minecraft adalah bahwa beberapa fisika realistis sedang dimainkan dalam permainan. Misalnya, jika Anda memiliki air dan Anda memasukkan es ke dalamnya, itu akan membeku! Oke, mungkin di dunia nyata, menambahkan es tidak membuat air membeku, tapi memang membuatnya lebih dingin. Anda dapat melihat ini ... 
Mendapatkan Minecraft Experience Points - dummiesDi Minecraft, experience points, XP untuk jangka pendek, dikumpulkan dari bola pengalaman bercahaya. Sebagai pemain mengumpulkan cukup bola dan meningkatkan tingkat pengalaman mereka, mereka akan dapat menggunakan tabel dan landasan yang mempesona untuk meningkatkan kemampuan banyak item seperti senjata, baju besi, dan peralatan. Jadi, bagaimana Anda bisa cepat mendapatkan ini ... Pilihan Editor
Bagaimana Mendidik dengan Infografis Informasi Dokumentual - dummiesInfomasi editorial sama dengan artikel berita karena tujuan utamanya adalah untuk mengirimkan informasi. Di bawah payung grafis editorial, ada beberapa tipe yang berbeda, dengan keseimbangan bias dan objektivitas yang berbeda. Berikut adalah beberapa melihat: Badai salju menghantam kota Anda. Koran lokal menciptakan grafik yang menunjukkan hujan salju ... 
Bagaimana Mengimpor Sketsa ke Ilustrator untuk Menciptakan Infografis - dummiesBahkan di dunia kabel ini, seniman masih suka sketsa Kabar baik! Sketsa kasar Anda dapat dengan mudah digunakan dalam draf infografis Anda. Anda dapat memindai sketsa atau mengambil gambar sketsa Anda dengan telepon Anda dan mengirim e-mail ke komputer Anda sendiri. Mereka tidak perlu diwarnai, cukup jelas bagi Anda untuk ... 
Bagaimana cara memasukkan ilustrasi di Infografis Anda - jeleknyaInfografis yang baik (jelas) harus mencakup seni yang bagus. Ilustrasi mempromosikan alur cerita, menentukan elemen secara visual, dan mencerahkan halaman yang mungkin diisi dengan tipe abu-abu. Ilustrasi bisa berupa gambar fisik, semacam bagan atau grafik, atau bahkan garis waktu. Kehidupan sehari-hari Anda dipenuhi dengan contoh bagaimana ilustrasi ... Pilihan Editor
GED Contoh Pertanyaan: Penalaran Melalui Bahasa Seni Membaca Informasi Teknis - dummiesTentang Penalaran Melalui bagian Seni Bahasa GED, Anda mungkin diminta untuk menjawab pertanyaan tentang bagian teknis. Ini bisa termasuk petunjuk cara melengkapi, seperti berikut. Pertanyaan dalam artikel ini mengacu pada kutipan berikut dari Russell Hart's Photography For Dummies, 2nd Edition (Wiley). Apa Rahasia Untuk ... 
GED Contoh Pertanyaan: Pertanyaan singkat tentang Ilmu Pengetahuan - dummiesDi beberapa titik selama bagian Ilmu Pengetahuan dari Tes GEE, Anda akan diminta untuk membuat jawaban singkat. Anda akan diberi sebuah bagian dan mengajukan pertanyaan yang perlu Anda tanggapi. Buat respons Anda jelas dan ringkas. Bagian Jawaban Jawaban Semua orang mengenal keju cheddar. Orang-orang meletakkan ...
GED Contoh Pertanyaan: Ilmu Sosial dan Media - dummiesDi bagian Ilmu Sosial GED, Anda mungkin diminta untuk menjawab pertanyaan tentang berbagai bentuk media, termasuk siaran berita. Lihatlah contoh berikut di bawah ini. Pertanyaan dalam artikel ini mengacu pada siaran berita berikut. Berita Lingkungan Dunia Selamat malam dan selamat datang di World Environmental News. Cerita kami ini ... |
