Машинное обучение v2
.pdf
Математические модели в машинном обучении
Как математические модели применяются в современном машинном обучении, их роль и влияние на развитие этой технологии.
Введение
Математические |
Алгоритмы |
Данные |
модели |
Реализуют математические |
На основе которых |
|
||
Лежат в основе методов |
модели в задачах ML |
происходит обучение |
машинного обучения |
|
моделей |
Линейная регрессия
Основа для моделирования
Линейная регрессия - базовая модель для предсказания количественных значений
Нахождение зависимостей
Позволяет установить связь между входными и выходными данными
Простота и интерпретируемость
Линейная функция легко анализируется и понятна для пользователей
Применение в широком спектре задач
Используется для прогнозирования продаж, предсказания цен и многого другого
Логистическая регрессия
Определение |
Применение |
Статистическая модель для |
Классификация объектов на два класса |
прогнозирования вероятности |
(например, да/нет, больной/здоров) |
наступления события |
|
Математическая основа |
Интерпретация |
Использует логистическую функцию для |
Результат - вероятность, а не конкретное |
оценки вероятностей |
значение целевой переменной |
Деревья решений
Основа |
Структура |
Преимущества |
Деревья решений - это |
Состоят из узлов |
Интуитивно понятны, |
иерархические модели, |
(признаков для принятия |
просты в интерпретации, |
которые используют |
решения) и ветвей (исходы |
могут работать с |
последовательные решения |
данных решений). |
нелинейными данными. |
для классификации или |
|
|
прогнозирования данных. |
|
|
Нейронные сети
Основа нейронных |
Глубокое обучение |
Процесс обучения |
сетей |
Многослойные нейронные |
Нейронные сети обучаются |
|
||
Узлы, аналогичные нейронам |
сети способны решать |
на наборах данных, |
мозга, обрабатывают |
сложные задачи |
корректируя свои внутренние |
информацию и обучаются на |
распознавания образов. |
связи. |
примерах. |
|
|
Кластеризация
Основная идея |
Алгоритмы |
Применение |
Преимущества |
Автоматическое |
K-means, DBSCAN, |
Сегментация |
Выявление |
разделение данных |
Иерархическая |
клиентов, поиск |
скрытых |
на группы схожих |
кластеризация |
похожих товаров, |
закономерностей, |
элементов |
|
распознавание |
анализ больших |
|
|
объектов |
объемов данных |
Методы отбора признаков
1 |
Фильтрация признаков |
2 |
Встроенная селекция |
|
Отбор ключевых признаков на основе |
|
Использование алгоритмов, |
|
статистических критериев |
|
встроенных в модель машинного |
|
|
|
обучения |
3 |
Метод главных компонент |
4 |
Поиск зависимостей |
|
Построение новых обобщенных |
|
Анализ взаимосвязей между |
|
признаков из исходных |
|
признаками и целевой переменной |
Применение математических моделей в реальных задачах
Математические модели лежат в основе самых разных приложений машинного обучения, от систем рекомендаций до систем распознавания речи и зрения.
Например, линейная регрессия применяется для прогнозирования продаж, цен на активы и других величин. Логистическая регрессия - для классификации клиентов, определения рисков кредитования.
Деревья решений используются в медицине для диагностики заболеваний, а нейронные сети - в компьютерном зрении для распознавания объектов на изображениях.
Заключение и перспективы развития
Подводя итоги |
Перспективы |
Дальнейшие шаги |
Рассмотрены ключевые |
развития |
Применение моделей в |
|
||
математические модели, |
Модели продолжают |
различных областях, от |
используемые в машинном |
совершенствоваться, |
предсказаний до генерации |
обучении. |
открывая новые |
данных. |
|
возможности. |
|