Mindmap-Galerie Klassifizierung von Algorithmen für maschinelles Lernen
Zusammenfassung der Klassifizierung maschineller Lernalgorithmen! Die folgende Abbildung fasst die Klassifizierung von Algorithmen für maschinelles Lernen zusammen, einschließlich überwachtem Lernen, unüberwachtem Lernen, halbüberwachtem Lernen, verstärkendem Lernen, Transferlernen, Deep-Learning-Algorithmen usw. Ich hoffe, dieses Bild kann Ihnen helfen!
Bearbeitet um 2020-04-08 10:06:19Einhundert Jahre Einsamkeit ist das Meisterwerk von Gabriel Garcia Marquez. Die Lektüre dieses Buches beginnt mit der Klärung der Beziehungen zwischen den Figuren. Im Mittelpunkt steht die Familie Buendía, deren Wohlstand und Niedergang, interne Beziehungen und politische Kämpfe, Selbstvermischung und Wiedergeburt im Laufe von hundert Jahren erzählt werden.
Einhundert Jahre Einsamkeit ist das Meisterwerk von Gabriel Garcia Marquez. Die Lektüre dieses Buches beginnt mit der Klärung der Beziehungen zwischen den Figuren. Im Mittelpunkt steht die Familie Buendía, deren Wohlstand und Niedergang, interne Beziehungen und politische Kämpfe, Selbstvermischung und Wiedergeburt im Laufe von hundert Jahren erzählt werden.
Projektmanagement ist der Prozess der Anwendung von Fachwissen, Fähigkeiten, Werkzeugen und Methoden auf die Projektaktivitäten, so dass das Projekt die festgelegten Anforderungen und Erwartungen im Rahmen der begrenzten Ressourcen erreichen oder übertreffen kann. Dieses Diagramm bietet einen umfassenden Überblick über die 8 Komponenten des Projektmanagementprozesses und kann als generische Vorlage verwendet werden.
Einhundert Jahre Einsamkeit ist das Meisterwerk von Gabriel Garcia Marquez. Die Lektüre dieses Buches beginnt mit der Klärung der Beziehungen zwischen den Figuren. Im Mittelpunkt steht die Familie Buendía, deren Wohlstand und Niedergang, interne Beziehungen und politische Kämpfe, Selbstvermischung und Wiedergeburt im Laufe von hundert Jahren erzählt werden.
Einhundert Jahre Einsamkeit ist das Meisterwerk von Gabriel Garcia Marquez. Die Lektüre dieses Buches beginnt mit der Klärung der Beziehungen zwischen den Figuren. Im Mittelpunkt steht die Familie Buendía, deren Wohlstand und Niedergang, interne Beziehungen und politische Kämpfe, Selbstvermischung und Wiedergeburt im Laufe von hundert Jahren erzählt werden.
Projektmanagement ist der Prozess der Anwendung von Fachwissen, Fähigkeiten, Werkzeugen und Methoden auf die Projektaktivitäten, so dass das Projekt die festgelegten Anforderungen und Erwartungen im Rahmen der begrenzten Ressourcen erreichen oder übertreffen kann. Dieses Diagramm bietet einen umfassenden Überblick über die 8 Komponenten des Projektmanagementprozesses und kann als generische Vorlage verwendet werden.
Klassifizierung von Algorithmen für maschinelles Lernen
Maschinelles Lernen wird nach Trainingsmethoden klassifiziert
Überwachtes Lernen
Klasse „Künstliche Neuronale Netze“.
Backpropagation
Boltzmann-Maschine
Faltungs-Neuronales Netzwerk
Hopfield-Netzwerk
Mehrschichtiges Perzeptron
Radiales Basisfunktionsnetzwerk (RBFN)
Eingeschränkte Boltzmann-Maschine
Wiederkehrendes neuronales Netzwerk (RNN)
Selbstorganisierende Karte (SOM)
Spikendes neuronales Netzwerk
Bayesin
Naiver Bayes
Gaußscher naiver Bayes
Multinomiale Naive Bayes
Durchschnittliche Ein-Abhängigkeits-Schätzer (AODE)
Bayesian Belief Network (BBN)
Bayesianisches Netzwerk (BN)
Entscheidungsbaumklasse
Klassifizierungs- und Regressionsbaum (CART)
Iterativer Dichotomiser3 (Iterativer Dichotomiser 3, ID3)
C4.5-Algorithmus (C4.5-Algorithmus)
C5.0-Algorithmus (C5.0-Algorithmus)
Automatische Chi-Quadrat-Interaktionserkennung (CHAID)
Entscheidungsstumpf
ID3-Algorithmus
Zufälliger Wald
SLIQ (Supervised Learning in Quest)
Klasse des linearen Klassifikators
Fishers linearer Diskriminant
Lineare Regression
Logistische Regression
Multinomiale logistische Regression
Naiver Bayes-Klassifikator
Wahrnehmung
Unterstützt Vektormaschine
Unbeaufsichtigtes Lernen
Klasse „Künstliche Neuronale Netze“.
Generative Adversarial Networks (GAN)
Feedforward-Neuronales Netzwerk
Logik-Lernmaschine
Selbstorganisierende Karte
Kurs zum Lernen von Assoziationsregeln
Apriori-Algorithmus
Eclat-Algorithmus
FP-Wachstumsalgorithmus
Hierarchisches Clustering
Single-Linkage-Clustering
Konzeptionelles Clustering
Clusteranalyse
BIRCH-Algorithmus
DBSCAN-Algorithmus
Erwartungsmaximierung (EM)
Fuzzy-Clustering
K-Means-Algorithmus
K-bedeutet Clustering
K-Median-Clustering
Mean-Shift-Algorithmus (Mean-Shift)
OPTICS-Algorithmus
Anomalieerkennungsklasse
K-Nearest Neighbor (KNN)-Algorithmus
LOF-Algorithmus (Local Outlier Factor).
Halbüberwachtes Lernen
Generative Modelle
Trennung mit niedriger Dichte
Graphbasierte Methoden
Co-Training
Verstärkungslernen
Q-Learning
State-Action-Reward-State-Action (State-Action-Reward-State-Action, SARSA)
DQN (Deep Q Network)
Politische Gefälle
Modellbasiertes RL
Zeitliches differenzielles Lernen
Tiefes Lernen
Maschinen des tiefen Glaubens
Deep Convolutional Neural Networks
Tief rekurrentes neuronales Netzwerk
Hierarchisches zeitliches Gedächtnis (HTM)
Tiefe Boltzmann-Maschine (DBM)
Gestapelter Autoencoder
Generative gegnerische Netzwerke
Transferlernen
Induktives Transferlernen
Transduktives Transferlernen
Unbeaufsichtigtes Transferlernen
Transitives Transferlernen
Maschinelles Lernen wird nach der Problemlösung klassifiziert
Zwei-Klassen-Klassifizierung
Zwei-Klassen-SVM: Geeignet für Szenarien mit vielen Datenfunktionen und linearen Modellen
Zwei-Klassen-Durchschnittsperzeptron: Geeignet für Szenarien mit kurzer Trainingszeit und linearen Modellen.
Logistische Regression mit zwei Klassen: Geeignet für Szenarien mit kurzer Trainingszeit und linearen Modellen
Zweiklassen-Bayes-Punktmaschine: geeignet für Szenarien mit kurzer Trainingszeit und linearen Modellen
Zwei-Klassen-Entscheidungswald: Geeignet für Szenarien mit kurzer Trainingszeit und Genauigkeit
Zwei-Klassen-Boosted-Entscheidungsbaum: Geeignet für Szenarien mit kurzer Trainingszeit, hoher Genauigkeit und großem Speicherverbrauch
Entscheidungsdschungel mit zwei Klassen: Geeignet für Szenarien mit kurzer Trainingszeit, hoher Genauigkeit und geringem Speicherbedarf
Lokal tiefe SVM mit zwei Klassen: Geeignet für Szenarien mit vielen Datenfunktionen
Zwei-Klassen-Neuronales Netzwerk: Geeignet für Szenarien mit hoher Genauigkeit und langer Trainingszeit
Klassifizierung mehrerer Klassen
Logistische Regression mit mehreren Klassen: Geeignet für Szenarien mit kurzer Trainingszeit und linearen Modellen
Multiklassen-Neuronales Netzwerk: Geeignet für Szenarien mit hoher Genauigkeit und langer Trainingszeit
Multiclass Decision Forest: Geeignet für Szenarien mit hoher Genauigkeit und kurzer Trainingszeit
Multiclass Decision Jungle: Geeignet für Szenarien mit hoher Genauigkeit und geringem Speicherbedarf
„One-vs-all Multiclass“: hängt von der Wirkung der beiden Klassifikatoren ab
Regressionsalgorithmus
Ordinale Regression: Geeignet für Szenarien, in denen Daten klassifiziert und sortiert werden
Poisson-Regression: Geeignet zur Vorhersage der Anzahl von Ereignissen
Schnelle Forest-Quantil-Regression: Geeignet für Szenarien zur Vorhersage von Verteilungen
Lineare Regression: Geeignet für Szenarien mit kurzer Trainingszeit und linearen Modellen
Bayesianische lineare Regression: Geeignet für lineare Modelle und Szenarien mit geringer Trainingsdatenmenge
Regression neuronaler Netze: Geeignet für Szenarien mit hoher Genauigkeit und langer Trainingszeit
Decision Forest Regression: Geeignet für Szenarien mit hoher Genauigkeit und kurzer Trainingszeit
Boosted Decision Tree Regression: Geeignet für Szenarien mit hoher Genauigkeit, kurzer Trainingszeit und großem Speicherverbrauch
Clustering-Algorithmus
Hierarchisches Clustering: Geeignet für Szenarien mit kurzer Trainingszeit und großen Datenmengen
K-Means-Algorithmus: Geeignet für Szenarien mit hoher Genauigkeit und kurzer Trainingszeit
Fuzzy-Clustering-FCM-Algorithmus (Fuzzy C-means, FCM): Geeignet für Szenarien mit hoher Genauigkeit und kurzer Trainingszeit
SOM-Neuronales Netzwerk (Self-organizing Feature Map, SOM): geeignet für Szenarien mit langer Laufzeit
Anomalieerkennung
Ein-Klassen-Support-Vektor-Maschine (Ein-Klassen-SVM): Geeignet für Szenarien mit vielen Datenfunktionen
PCA-basierte Anomalieerkennung: geeignet für Szenarien mit kurzer Trainingszeit