Algorytm klastrowania
Przykład z moich wątków - "Lepsze dziewczyny z liceum czy technikum" - w tym wątku był algorytm klastrowania, czyli dzielenia na kategorie. Chodzi o to, że X to dziewczyny z liceum, a Y to dziewczyny z technikum. Zachodzi tu również algorytm klasyfikacji, gdzie się ocenia, która kategoria jest lepsza.
Algorytm reguły asocjacyjnej
Przykład z moich wątków - "Jak zawierać znajomość z finalistką Miss Polonia" - w tym wątku, jeśli chodzi o współpracę, jak informatyk ze specjalistką od biotechnologii, to doradziliście mi, żebym zamiast pisać do tej finalistki Miss Polonia, wstawił sobie ogłoszenie na grupę uczelnianą na FB, bo jest opłacalne, jeśli chodzi o oczekiwanie czasowe. Czyli krótko mówiąc, algorytm reguły asocjacyjnej, to algorytm doradzania według potrzeb danej osoby.
Algorytm redukcji wymiaru
Przykład z moich wątków - "Lepiej grać czy zająć się grafiką?" - w tym wątku zastanawiałem się, czy 8 godzin dziennie grać czy zająć się grafiką. Ktoś mi doradził, żebym grał 4 godziny dziennie i zajął się grafiką 4 godziny dziennie. Czyli krótko mówiąc, algorytm redukcji wymiaru, to algorytm optymalizacji długości, czasu, powierzchni itp.
Algorytm klasyfikacji
Przykład z moich wątków - "Jak podrywać bardzo ładną dziewczynę" - w tym wątku zadałem pewne pytania. To jest przykład algorytmu klasyfikacji, czyli odpowiadania, czy tak czy nie. Natomiast Wy po ludzku odpowiadaliście konstruktywnie na moje pytania, a sztuczna inteligencja by potrafiła mówić TAK lub NIE lub ewentualnie udzielać błędne odpowiedzi na pytania. To jest przykład, że sztuczna inteligencja nie zastąpi ludzkich mózgów, więc możecie spać spokojnie. :)
Algorytm regresji
Przykład z moich wątków - "Ile gier trzeba ukończyć, aby zostać projektantem gier" - w tym wątki zachodzi algorytm, że jeżeli człowiek ukończył X gier lub więcej, to zostanie projektantem gier. Krótko mówiąc, algorytm regresji to algorytm przewidywania.
Mam pytanie. Czy można się czegoś więcej dowiedzieć o uczeniu maszynowym?
Tak, można, informacje zaprezentowane powyżej to nie są wszystkie informacje na temat uczenia maszynowego.
Czy mówisz o sieci neuronowej, przetwarzaniu obrazu cyfrowego lub przetwarzaniu języka naturalnego?
No to uczenie maszynowe, przetwarzanie obrazu cyfrowego i przetwarzanie języka naturalnego to trzy różne dziedziny. Tak mi się wydaje. To są poddziedziny sztucznej inteligencji. Przynajmniej według programu magisterki ze sztucznej inteligencji na UAM w Poznaniu.
Ale w Pile są tylko studia I stopnia. W Pile nie ma magisterki, więc pojechać do Poznania na magisterkę. A szkoda, że w Pile nie ma magisterki.
Kilka dodatkowych przykładów algorytmów uczenia maszynowego:
Sieci neuronowe -sieci neuronowe to rodzaj modelu uczenia maszynowego inspirowanego funkcjonowaniem ludzkiego mózgu. Zbudowane są z wielu połączonych ze sobą węzłów, zwanych neuronami, które przetwarzaja i przesyłają informacje pomiędzy sobą, co umożliwia systemom komputerowym naukę i poprawę swoich wyników.
Drzewa decyzyjne - drzewa decyzyjne to modele uczenia maszynowego, które opierają się na hierarchicznym drzewie reguł decyzyjnych, pozwalających na przewidywanie odpowiedzi na pytania lub podejmowanie decyzji na podstawie danych wejściowych.
Metody uczenia nienadzorowanego - metody uczenia nienadzorowanego to techniki, w których nie ma wstępnej kategoryzacji danych. System komputerowy jest zmuszony samodzielnie wyodrębnić cechy i wzorce z danych wejściowych, co może pomóc w identyfikacji ukrytych zależności i zrozumieniu struktury danych.
Metody uczenia ze wzmocnieniem - metody uczenia ze wzmocnieniem to techniki, w których system komputerowy uczy się na podstawie swojego własnego doświadczenia w interakcji z otoczeniem. System jest nagradzany za dobre wyniki i karany za złe, co prowadzi do poprawy jego wydajności.
Algorytmy grupowania - algorytmy grupowania to techniki, które pozwalają na podział danych na grupy o podobnych cechach lub właściwościach. Są one używane w takich dziedzinach jak analiza danych, klasyfikacja obrazów czy analiza tekstu.
Ale to tylko kilka przykładów jest wiele innych algorytmów i technik w dziedzinie uczenia maszynowego. Warto zauważyć, że każdy z tych algorytmów ma swoje zalety i wady, a ich wybór zależy od rodzaju problemu i danych wejściowych.
Uczenie nienadzorowane dzieli się na algorytm klastrowania, reguły asocjacyjnej i redukcji wymiaru.
Uczenie nadzorowane dzieli się na algorytm klasyfikacji i regresji.
Natomiast algorytmy grupowania to chyba to samo, co klastrowanie.
Metody uczenia ze wzmocnieniem to chyba to samo, co uczenie nadzorowane.
Drzewa decyzyjne, to raczej przykład algorytmu przetwarzania języka naturalnego, bo sztuczna inteligencja odpowiada na pytania.
Sieci neuronowe, to raczej przykład algorytmu przetwarzania obrazu cyfrowego, bo porównując sztuczną inteligencję do ludzkiego mózgu, należy wnioskować, że mózg wyczytuje dane wizualne na podstawie wzroku.
Nie do końca zgadzam się z Twoją interpretacją.
Algorytm klastrowania jest jednym z przykładów algorytmów grupowania, które pozwalają na podział danych na grupy o podobnych cechach lub właściwościach. Reguły asocjacyjne i redukcja wymiaru to natomiast przykłady innych technik uczenia nienadzorowanego.
Metody uczenia ze wzmocnieniem nie są tożsame z uczeniem nadzorowanym. W uczeniu ze wzmocnieniem agent uczy się na podstawie interakcji z otoczeniem i nagród, które otrzymuje za swoje działania. W uczeniu nadzorowanym natomiast agent uczy się na podstawie par (wejście, oczekiwane wyjście), czyli nauczycielskich przykładów.
Drzewa decyzyjne to przykład algorytmu uczenia nadzorowanego, który może być stosowany do różnych problemów, w tym do przetwarzania języka naturalnego, ale nie jest to jego jedyna zastosowanie.
Sieci neuronowe to przykład algorytmu uczenia maszynowego, który może być stosowany do różnych problemów, w tym do przetwarzania obrazów, dźwięków czy tekstu. To, że sieci neuronowe są inspirowane funkcjonowaniem ludzkiego mózgu, nie oznacza, że są wykorzystywane tylko do przetwarzania danych wizualnych.
Inne przykłady algorytmów uczenia maszynowego to:
K-najbliższych sąsiadów (k-NN) - to algorytm klasyfikacji, który opiera się na identyfikacji najbliższych sąsiadów do punktu wejściowego i przypisuje mu klasę z większością spośród tych sąsiadów.
Regresja liniowa - to algorytm uczenia maszynowego, który pozwala na modelowanie zależności liniowej między danymi wejściowymi a wyjściowymi.
Algorytmy SVM - SVM (Support Vector Machines) to algorytmy klasyfikacji, które wykorzystują hiperpłaszcze do separacji różnych klas danych wejściowych.
Sieci Bayesowskie - sieci Bayesowskie to modele probabilistyczne, które pozwalają na modelowanie złożonych zależności między zmiennymi wejściowymi i wyjściowymi.
Algorytmy genetyczne - to techniki, które pozwalają na rozwiązywanie problemów optymalizacyjnych poprzez symulowanie procesów ewolucyjnych.
Metody redukcji wymiarowości - to techniki, które pozwalają na zmniejszenie ilości wymiarów danych wejściowych, co może pomóc w poprawie wydajności algorytmów uczenia maszynowego i wizualizacji danych.
To tylko kilka dodatkowych przykładów, ale w dziedzinie uczenia maszynowego jest wiele innych algorytmów i technik, których używa się w zależności od potrzeb i jakie rodzaje problemów, trzeba rozwiązać.
Algorytm regresji
Przykład z moich wątków - "Ile gier trzeba ukończyć, aby zostać projektantem gier" - w tym wątki zachodzi algorytm, że jeżeli człowiek ukończył X gier lub więcej, to zostanie projektantem gier. Krótko mówiąc, algorytm regresji to algorytm przewidywania.
Nie do końca! Algorytm regresji to algorytm, który służy do prognozowania lub przewidywania wartości numerycznych, a nie decyzji binarnych takich jak w tym przypadku, gdzie osoba zostaje albo nie zostaje projektantem gier na podstawie liczby ukończonych gier.
Algorytm regresji wykorzystywany jest najczęściej w przypadkach, gdy istnieje związek między jedną zmienną zależną (przewidywaną) a jedną lub kilkoma zmiennymi niezależnymi (wpływającymi na przewidywaną wartość). Na przykład, w przypadku przewidywania ceny nieruchomości, zmienna niezależna może być liczba pokoi lub metraż mieszkania, a zmienną zależną będzie cena nieruchomości. Algorytm regresji będzie starał się znaleźć liniową lub nieliniową relację między tymi zmiennymi, co pozwoli na przewidywanie ceny nieruchomości na podstawie liczby pokoi lub metrażu.
Algorytm regresji może być wykorzystany w różnych dziedzinach, takich jak nauki społeczne, ekonomia, nauki przyrodnicze czy medycyna, aby przewidywać wartości numeryczne na podstawie dostępnych danych.
Mam pytanie. Czy można się czegoś więcej dowiedzieć o uczeniu maszynowym?
Myślę że masz już świetnie ogarnięty temat Kondziu, ale człowiek uczy się całe życie, szczególnie tak skomplikowanego i obszernego tematu jakim jest algorytmika.
Zanim wpiszesz sobie "AI & Machine Learning expert" na linkedin, upewnij się że mniej więcej rozumiesz jakie są idee za tymi algorytmami (mniej więcej na jakiej zasadzie działają), jak je implementować, stroić i jakim kontekście używać.
Wiesz, to że potrafisz odpalić TensorFlow i znasz typy algorytmów to fajna rzecz, ale jeszcze nie czyni Cię mistrzem ML.
