Podstawy uczenia i dane

Name: lok-ai — Lokalna Automatyzacja Biznesu
Address: Grudziądz, kujawsko-pomorskie, PL
Telephone: +48-534-541-454
Price range: $$

19 pojęć w 8 podgrupach, z prostymi definicjami i źródłami.

Generalizacja · 2

01generalizacjaZdolność wyuczonego modelu do poprawnego działania na danych niewidzianych podczas uczenia.
02niedouczenieunderfittingStan modelu zbyt prostego, by uchwycić zależności w danych, dający wysoki błąd zarówno na zbiorze uczącym, jak i testowym.

01hiperparametrParametr sterujący procesem uczenia, ustalany przed uczeniem i niewyznaczany przez optymalizację na danych.

01walidacja krzyżowaTechnika oceny modelu polegająca na wielokrotnym podziale danych na części uczące i walidacyjne i uśrednianiu wyników.

01uczenie nadzorowaneParadygmat uczenia, w którym model dopasowuje się do danych z parami wejście–etykieta, ucząc się odwzorowania z przykładów oznaczonych docelową wartością.
02uczenie nienadzorowaneParadygmat, w którym model odkrywa strukturę w danych bez etykiet docelowych, np. grupując przykłady lub estymując rozkład.
03uczenie półnadzorowaneUczenie wykorzystujące jednocześnie niewielki zbiór danych oznaczonych i duży zbiór nieoznaczonych do poprawy modelu.
04uczenie ze wzmocnieniemRLParadygmat, w którym agent uczy się polityki działania przez interakcję ze środowiskiem, maksymalizując skumulowaną nagrodę.

01zbiór testowyNiezależny podzbiór danych, niewidziany podczas uczenia, służący do oceny zdolności uogólniania modelu.
02zbiór uczącyPodzbiór danych użyty do dopasowania parametrów modelu w trakcie uczenia.
03zbiór walidacyjnyPodzbiór danych używany do strojenia hiperparametrów i wyboru modelu, oddzielony od zbioru uczącego i testowego.

01augmentacja danychPowiększanie zbioru uczącego przez generowanie zmodyfikowanych wersji istniejących przykładów w celu poprawy uogólniania.
02inżynieria cechTworzenie, dobór i przekształcanie cech z surowych danych w celu poprawy zdolności predykcyjnej modelu.
03normalizacjaPrzeskalowanie wartości cech do wspólnego zakresu lub rozkładu, by ujednolicić ich wpływ na uczenie.

01cechaPojedyncza mierzalna własność obserwacji wykorzystywana jako zmienna wejściowa modelu uczącego.
02etykietaDocelowa wartość przypisana przykładowi uczącemu, którą model ma przewidywać w uczeniu nadzorowanym.
03wektor cechUporządkowana lista wartości cech reprezentująca pojedynczą obserwację jako punkt w przestrzeni cech.

01klasyfikacjaZadanie predykcji, w którym model przypisuje obserwacji jedną z dyskretnych klas docelowych.
02regresjaZadanie predykcji, w którym model przewiduje ciągłą wartość liczbową na podstawie cech wejściowych.