Galerie de cartes mentales Classification des algorithmes d'apprentissage automatique
Résumé de la classification des algorithmes d'apprentissage automatique ! La figure ci-dessous résume la classification des algorithmes d'apprentissage automatique, notamment l'apprentissage supervisé, l'apprentissage non supervisé, l'apprentissage semi-supervisé, l'apprentissage par renforcement, l'apprentissage par transfert, les algorithmes d'apprentissage profond, etc. J'espère que cette photo pourra vous aider !
Modifié à 2020-04-08 10:06:19Cent ans de solitude est le chef-d'œuvre de Gabriel Garcia Marquez. La lecture de ce livre commence par l'analyse des relations entre les personnages, qui se concentre sur la famille Buendía et raconte l'histoire de la prospérité et du déclin de la famille, de ses relations internes et de ses luttes politiques, de son métissage et de sa renaissance au cours d'une centaine d'années.
Cent ans de solitude est le chef-d'œuvre de Gabriel Garcia Marquez. La lecture de ce livre commence par l'analyse des relations entre les personnages, qui se concentre sur la famille Buendía et raconte l'histoire de la prospérité et du déclin de la famille, de ses relations internes et de ses luttes politiques, de son métissage et de sa renaissance au cours d'une centaine d'années.
La gestion de projet est le processus qui consiste à appliquer des connaissances, des compétences, des outils et des méthodologies spécialisés aux activités du projet afin que celui-ci puisse atteindre ou dépasser les exigences et les attentes fixées dans le cadre de ressources limitées. Ce diagramme fournit une vue d'ensemble des 8 composantes du processus de gestion de projet et peut être utilisé comme modèle générique.
Cent ans de solitude est le chef-d'œuvre de Gabriel Garcia Marquez. La lecture de ce livre commence par l'analyse des relations entre les personnages, qui se concentre sur la famille Buendía et raconte l'histoire de la prospérité et du déclin de la famille, de ses relations internes et de ses luttes politiques, de son métissage et de sa renaissance au cours d'une centaine d'années.
Cent ans de solitude est le chef-d'œuvre de Gabriel Garcia Marquez. La lecture de ce livre commence par l'analyse des relations entre les personnages, qui se concentre sur la famille Buendía et raconte l'histoire de la prospérité et du déclin de la famille, de ses relations internes et de ses luttes politiques, de son métissage et de sa renaissance au cours d'une centaine d'années.
La gestion de projet est le processus qui consiste à appliquer des connaissances, des compétences, des outils et des méthodologies spécialisés aux activités du projet afin que celui-ci puisse atteindre ou dépasser les exigences et les attentes fixées dans le cadre de ressources limitées. Ce diagramme fournit une vue d'ensemble des 8 composantes du processus de gestion de projet et peut être utilisé comme modèle générique.
Classification des algorithmes d'apprentissage automatique
L'apprentissage automatique est classé selon les méthodes de formation
Enseignement supervisé
Cours de réseau de neurones artificiels
Rétropropagation
Machine Boltzmann
Réseau neuronal convolutif
Réseau Hopfield
Perceptron multicouche
Réseau de fonctions à base radiale (RBFN)
Machine Boltzmann restreinte
Réseau neuronal récurrent (RNN)
Carte auto-organisée (SOM)
Réseau neuronal de pointe
Bayésin
Bayes naïf
Bayes naïf gaussien
Bayes naïfs multinomiaux
Estimateurs moyennés à une dépendance (AODE)
Réseau de croyance bayésienne (BBN)
Réseau bayésien (BN)
Classe d'arbre de décision
Arbre de classification et de régression (CART)
Dichotomiseur itératif 3 (Dichotomiseur itératif 3, ID3)
Algorithme C4.5
Algorithme C5.0 (algorithme C5.0)
Détection automatique des interactions du chi carré (CHAID)
Souche de décision
Algorithme ID3
Forêt aléatoire
SLIQ (Apprentissage Supervisé en Quête)
Classe de classificateur linéaire
Discriminant linéaire de Fisher
Régression linéaire
Régression logistique
Régression logistique multinomiale
Classificateur naïf de Bayes
Perception
Machine à vecteurs de support
Apprentissage non supervisé
Cours de réseau de neurones artificiels
Réseaux adverses génératifs (GAN)
Réseau neuronal à action directe
Machine d'apprentissage logique
Carte auto-organisée
Cours d'apprentissage des règles d'association
Algorithme a priori
Algorithme Éclat
Algorithme FP-Croissance
Classification hiérarchique
Clustering à liaison unique
Regroupement conceptuel
L'analyse par grappes
Algorithme BOULEAU
Algorithme DBSCAN
Attente-maximisation (EM)
Clustering flou
Algorithme K-moyennes
Clustering K-means
Regroupement des K-médianes
Algorithme de décalage moyen (Mean-shift)
Algorithme OPTIQUE
Classe de détection d'anomalies
Algorithme du K-voisin le plus proche (KNN)
Algorithme de facteur aberrant local (LOF)
Apprentissage semi-supervisé
Modèles génératifs
Séparation à faible densité
Méthodes basées sur des graphiques
Co-formation
Apprentissage par renforcement
Q-apprentissage
État-Action-Récompense-État-Action (État-Action-Récompense-État-Action, SARSA)
DQN (réseau Deep Q)
Dégradés politiques
RL basé sur un modèle
Apprentissage différentiel temporel
L'apprentissage en profondeur
Machines à croyance profonde
Réseaux de neurones à convolution profonde
Réseau neuronal récurrent profond
Mémoire temporelle hiérarchique (HTM)
Machine Boltzmann profonde (DBM)
Encodeur automatique empilé
Réseaux adverses génératifs
Apprentissage par transfert
Apprentissage par transfert inductif
Apprentissage par transfert transductif
Apprentissage par transfert non supervisé
Apprentissage par transfert transitif
L'apprentissage automatique est classé selon la résolution de problèmes
Classification en deux classes
SVM à deux classes : adapté aux scénarios comportant de nombreuses fonctionnalités de données et des modèles linéaires
Perceptron moyen à deux classes : convient aux scénarios avec un temps de formation court et des modèles linéaires.
Régression logistique à deux classes : convient aux scénarios avec un temps de formation court et des modèles linéaires
Machine à points Bayes à deux classes : adaptée aux scénarios avec un temps de formation court et des modèles linéaires
Forêt de décision à deux classes : adaptée aux scénarios avec un temps de formation et une précision courts
Arbre de décision boosté à deux classes : adapté aux scénarios avec un temps de formation court, une grande précision et une utilisation importante de la mémoire
Jungle de décision à deux classes : adaptée aux scénarios avec un temps de formation court, une grande précision et une faible empreinte mémoire
SVM Locally Deep à deux classes : adapté aux scénarios comportant de nombreuses fonctionnalités de données
Réseau neuronal à deux classes : adapté aux scénarios avec une grande précision et un long temps de formation
Classification multiclasse
Régression logistique multiclasse : convient aux scénarios avec un temps de formation court et des modèles linéaires
Réseau neuronal multiclasse : adapté aux scénarios avec une grande précision et un long temps de formation
Forêt de décision multiclasse : adaptée aux scénarios avec une grande précision et un temps de formation court
Jungle de décision multiclasse : adaptée aux scénarios avec une grande précision et une faible empreinte mémoire
"One-vs-all Multiclass" : dépend de l'effet des deux classificateurs
Algorithme de régression
Régression ordinale : convient aux scénarios dans lesquels les données sont classées et triées
Régression de Poisson : convient pour prédire le nombre d'événements
Régression quantile rapide en forêt : convient aux scénarios de prévision des distributions
Régression linéaire : convient aux scénarios avec un temps de formation court et des modèles linéaires
Régression linéaire bayésienne : convient aux modèles linéaires et aux scénarios dans lesquels la quantité de données d'entraînement est faible
Régression du réseau neuronal : convient aux scénarios avec une grande précision et un long temps de formation
Régression de forêt de décision : adaptée aux scénarios avec une grande précision et un temps de formation court
Régression d'arbre de décision optimisée : adaptée aux scénarios avec une grande précision, un temps de formation court et une utilisation importante de la mémoire
Algorithme de clustering
Clustering hiérarchique : adapté aux scénarios avec un temps de formation court et une grande quantité de données
Algorithme K-means : adapté aux scénarios avec une grande précision et un temps de formation court
Algorithme FCM de clustering flou (Fuzzy C-means, FCM) : adapté aux scénarios avec une grande précision et un temps de formation court
Réseau neuronal SOM (Self-organizing Feature Map, SOM) : adapté aux scénarios à longue durée d'exécution
Détection d'une anomalie
Machine à vecteurs de support à une classe (SVM à une classe) : adaptée aux scénarios comportant de nombreuses fonctionnalités de données
Détection d'anomalies basée sur PCA : adaptée aux scénarios avec un temps de formation court