마인드 맵 갤러리 기계 학습 알고리즘 분류
머신러닝 알고리즘 분류 정리! 아래 그림에는 지도 학습, 비지도 학습, 준지도 학습, 강화 학습, 전이 학습, 딥 러닝 알고리즘 등을 포함한 기계 학습 알고리즘의 분류가 요약되어 있습니다. 이 사진이 도움이 되기를 바랍니다!
2020-04-08 10:06:19에 편집됨이것은 (III) 저산소증-유도 인자 프롤릴 하이드 록 실라 제 억제제에 대한 마인드 맵이며, 주요 함량은 다음을 포함한다 : 저산소증-유도 인자 프롤릴 하이드 록 실라 제 억제제 (HIF-PHI)는 신장 빈혈의 치료를위한 새로운 소형 분자 경구 약물이다. 1. HIF-PHI 복용량 선택 및 조정. Rosalasstat의 초기 용량, 2. HIF-PHI 사용 중 모니터링, 3. 부작용 및 예방 조치.
이것은 Kuka Industrial Robots의 개발 및 Kuka Industrial Robot의 모션 제어 지침에 대한 마인드 맵입니다. 주요 내용에는 쿠카 산업 로봇의 역사, 쿠카 산업 로봇의 특성, 쿠카 산업 로봇의 응용 분야, 2. 포장 프로세스에서 쿠카 로봇은 빠르고 일관된 포장 작업을 달성하고 포장 효율성을 높이며 인건비를 줄입니다. 2. 인건비 감소 : 자동화는 운영자에 대한 의존성을 줄입니다. 3. 조립 품질 향상 : 정확한 제어는 인간 오류를 줄입니다.
408 컴퓨터 네트워크가 너무 어렵습니까? 두려워하지 마세요! 나는 피를 구토하고 지식 맥락을 명확히하는 데 도움이되는 매우 실용적인 마인드 맵을 분류했습니다. 컨텐츠는 매우 완전합니다. 네트워크 아키텍처에서 응용 프로그램 계층, TCP/IP 프로토콜, 서브넷 디비전 및 기타 핵심 포인트에 이르기까지 원칙을 철저히 이해하는 데 도움이 될 수 있습니다. 📈 명확한 논리 : Mindmas 보물, 당신은 드문 기회가 있습니다. 서둘러! 이 마인드 맵을 사용하여 408 컴퓨터 네트워크의 학습 경로에서 바람과 파도를 타고 성공적으로 해변을 얻으십시오! 도움이 필요한 친구들과 공유해야합니다!
이것은 (III) 저산소증-유도 인자 프롤릴 하이드 록 실라 제 억제제에 대한 마인드 맵이며, 주요 함량은 다음을 포함한다 : 저산소증-유도 인자 프롤릴 하이드 록 실라 제 억제제 (HIF-PHI)는 신장 빈혈의 치료를위한 새로운 소형 분자 경구 약물이다. 1. HIF-PHI 복용량 선택 및 조정. Rosalasstat의 초기 용량, 2. HIF-PHI 사용 중 모니터링, 3. 부작용 및 예방 조치.
이것은 Kuka Industrial Robots의 개발 및 Kuka Industrial Robot의 모션 제어 지침에 대한 마인드 맵입니다. 주요 내용에는 쿠카 산업 로봇의 역사, 쿠카 산업 로봇의 특성, 쿠카 산업 로봇의 응용 분야, 2. 포장 프로세스에서 쿠카 로봇은 빠르고 일관된 포장 작업을 달성하고 포장 효율성을 높이며 인건비를 줄입니다. 2. 인건비 감소 : 자동화는 운영자에 대한 의존성을 줄입니다. 3. 조립 품질 향상 : 정확한 제어는 인간 오류를 줄입니다.
408 컴퓨터 네트워크가 너무 어렵습니까? 두려워하지 마세요! 나는 피를 구토하고 지식 맥락을 명확히하는 데 도움이되는 매우 실용적인 마인드 맵을 분류했습니다. 컨텐츠는 매우 완전합니다. 네트워크 아키텍처에서 응용 프로그램 계층, TCP/IP 프로토콜, 서브넷 디비전 및 기타 핵심 포인트에 이르기까지 원칙을 철저히 이해하는 데 도움이 될 수 있습니다. 📈 명확한 논리 : Mindmas 보물, 당신은 드문 기회가 있습니다. 서둘러! 이 마인드 맵을 사용하여 408 컴퓨터 네트워크의 학습 경로에서 바람과 파도를 타고 성공적으로 해변을 얻으십시오! 도움이 필요한 친구들과 공유해야합니다!
기계 학습 알고리즘 분류
머신러닝은 훈련 방법에 따라 분류됩니다.
지도 학습
인공신경망 수업
역전파
볼츠만 기계
컨볼루셔널 신경망
홉필드 네트워크
다층 퍼셉트론
방사형 기초 함수 네트워크(RBFN)
제한된 볼츠만 기계
순환 신경망(RNN)
자기 조직화 맵(SOM)
스파이킹 신경망
바이예신
나이브 베이즈
가우스 나이브 베이즈
다항식 나이브 베이즈
AODE(평균 단일 의존 추정기)
베이지안 신념 네트워크(BBN)
베이지안 네트워크(BN)
의사결정 트리 클래스
분류 및 회귀 트리(CART)
Iterative Dichotomiser3 (반복 이분화기 3, ID3)
C4.5 알고리즘
C5.0 알고리즘 (C5.0 알고리즘)
카이제곱 자동 상호작용 감지(CHAID)
결정 그루터기
ID3 알고리즘
랜덤 포레스트
SLIQ(퀘스트의 지도 학습)
선형 분류기 클래스
피셔의 선형 판별식
선형 회귀
로지스틱 회귀
다항 로지스틱 회귀
나이브 베이즈 분류기
지각
지원 벡터 머신
비지도 학습
인공신경망 수업
생성적 적대 신경망(GAN)
피드포워드 신경망
논리 학습 기계
자기 조직화 맵
연관 규칙 학습 수업
아프리오리 알고리즘
에클라 알고리즘
FP-성장 알고리즘
계층적 클러스터링
단일 연결 클러스터링
개념적 클러스터링
클러스터 분석
BIRCH 알고리즘
DBSCAN 알고리즘
기대 최대화(EM)
퍼지 클러스터링
K-평균 알고리즘
K-평균 클러스터링
K-중앙값 클러스터링
평균 이동 알고리즘(Mean-shift)
광학 알고리즘
이상 탐지 클래스
KNN(K-최근접 이웃) 알고리즘
LOF(로컬 아웃라이어 팩터) 알고리즘
준지도 학습
생성 모델
저밀도 분리
그래프 기반 방법
공동 훈련
강화 학습
Q-러닝
State-Action-Reward-State-Action (State-Action-Reward-State-Action, SARSA)
DQN(심층 Q 네트워크)
정책 변화
모델 기반 RL
시간적 미분 학습
딥러닝
깊은 신념 기계
심층 합성곱 신경망
심층 순환 신경망
계층적 시간 기억(HTM)
딥 볼츠만 머신(DBM)
스택형 오토인코더
생성적 적대 신경망
전이 학습
귀납적 전이 학습
변환적 전이 학습
비지도 전이 학습
전이적 전이 학습
머신러닝은 문제 해결에 따라 분류됩니다.
2등급 분류
2클래스 SVM: 데이터 특성과 선형 모델이 많은 시나리오에 적합
2클래스 평균 퍼셉트론: 훈련 시간이 짧고 선형 모델이 있는 시나리오에 적합합니다.
2클래스 로지스틱 회귀: 훈련 시간이 짧고 선형 모델이 있는 시나리오에 적합
2클래스 Bayes Point Machine: 훈련 시간이 짧고 선형 모델이 있는 시나리오에 적합
2클래스 결정 포레스트: 훈련 시간이 짧고 정확도가 높은 시나리오에 적합
2클래스 강화된 의사 결정 트리: 훈련 시간이 짧고 정확도가 높으며 메모리 사용량이 많은 시나리오에 적합합니다.
2클래스 결정 정글: 훈련 시간이 짧고 정확도가 높으며 메모리 공간이 작은 시나리오에 적합합니다.
2클래스 로컬 심층 SVM: 데이터 기능이 많은 시나리오에 적합
2클래스 신경망: 정확도가 높고 훈련 시간이 긴 시나리오에 적합
다중 클래스 분류
다중 클래스 로지스틱 회귀: 훈련 시간이 짧고 선형 모델이 있는 시나리오에 적합합니다.
다중 클래스 신경망: 정확도가 높고 훈련 시간이 긴 시나리오에 적합
다중 클래스 결정 포레스트: 정확도가 높고 훈련 시간이 짧은 시나리오에 적합
다중 클래스 결정 정글: 정확도가 높고 메모리 공간이 작은 시나리오에 적합
"일대다 다중클래스": 두 분류자의 효과에 따라 다름
회귀 알고리즘
순서 회귀: 데이터를 분류하고 정렬하는 시나리오에 적합합니다.
포아송 회귀: 사건 수 예측에 적합
Fast Forest Quantile Regression: 분포 예측 시나리오에 적합
선형 회귀: 훈련 시간이 짧고 선형 모델이 있는 시나리오에 적합합니다.
베이지안 선형 회귀: 훈련 데이터의 양이 적은 선형 모델 및 시나리오에 적합합니다.
신경망 회귀: 정확도가 높고 훈련 시간이 긴 시나리오에 적합
Decision Forest Regression: 정확도가 높고 훈련 시간이 짧은 시나리오에 적합
Boosted Decision Tree Regression: 정확도가 높고 훈련 시간이 짧으며 메모리 사용량이 많은 시나리오에 적합합니다.
클러스터링 알고리즘
계층적 클러스터링: 훈련 시간이 짧고 데이터 양이 많은 시나리오에 적합
K-평균 알고리즘: 정확도가 높고 학습 시간이 짧은 시나리오에 적합
퍼지 클러스터링 FCM 알고리즘(Fuzzy C-means, FCM): 정확도가 높고 훈련 시간이 짧은 시나리오에 적합
SOM 신경망(Self-organizing Feature Map, SOM): 실행 시간이 긴 시나리오에 적합
이상 탐지
단일 클래스 지원 벡터 머신(One-class SVM): 데이터 특성이 많은 시나리오에 적합
PCA 기반 이상 탐지: 훈련 시간이 짧은 시나리오에 적합