MindMap Gallery Machine learning algorithm classification
Summary of classification of machine learning algorithms! The figure below summarizes the classification of machine learning algorithms, including supervised learning, unsupervised learning, semi-supervised learning, reinforcement learning, transfer learning, deep learning algorithms, etc. Hope this picture can help you!
Edited at 2020-04-08 10:06:19Mappa mentale per l’analisi del controllo della gestione del portata di progetto. Tre sezioni principali: 1. WBS Scope Breakdown – scomposizione gerarchica del lavoro con dettaglio dello Scopo del progetto. 2. Scope Boundary / Exclusions – definizione chiara dei confini del progetto e di ciò che è escluso per evitare scope creep. Strumento ideale per project manager e team di controllo per mantenere allineamento e ridurre rischi.
Questo template, ideato con EdrawMind, è un modello completo per il miglioramento continuo del sistema di gestione della qualità, con una descrizione di circa 500 parole. È strutturato come un diagramma a lisca di pesce, strumento efficace per analizzare le cause principali dei problemi di qualità e definire le leve di controllo necessarie per risolverli. Il processo è organizzato in quattro fasi chiave: la prima è lo standard e la pianificazione, dove si definiscono gli obiettivi di qualità, i criteri di accettazione, i requisiti di prova e le porte di qualità (Quality Gate). La seconda fase analizza i processi e le porte di controllo, per garantire che ogni passaggio del lavoro segua i standard stabiliti. La terza fase riguarda l’esecuzione QA/QC, con la definizione di metodi di prova e ispezione, nonché regole per la gestione dei difetti e delle non conformità. L’ultima fase è il miglioramento e le azioni correttive e preventive (CAPA), insieme a una catena di audit per monitorare l’efficacia delle misure adottate. In basso, una tabella "Quality Gate" permette di tracciare ogni punto di controllo, con criteri specifici, metodi di prova, proprietario e stato di avanzamento. Grazie alla visualizzazione chiara e intuitiva di EdrawMind, questo strumento aiuta il team a identificare le cause root dei problemi di qualità, implementare azioni efficaci e mantenere un ciclo di miglioramento continuo, garantendo la qualità finale del prodotto o servizio.
Questo template, creato con EdrawMind, è un modello di piano di comunicazione ottimizzato, con una descrizione di circa 500 parole. È uno strumento chiave per evitare incomprensioni tra stakeholder, garantire la trasparenza e mantenere il team allineato agli obiettivi del progetto. Il modello è composto da tre elementi fondamentali e interconnessi: la matrice di comunicazione, la cadenza timeline e le regole di comunicazione/SLA. La matrice di comunicazione è una tabella dettagliata dove per ogni pubblico o stakeholder, si definisce il tipo di informazioni da condividere, lo scopo della comunicazione, il canale da utilizzare (email, riunioni, piattaforme di progetto), la frequenza, il proprietario responsabile, il formato e il percorso di escalazione in caso di problemi. La cadenza timeline è una linea temporale che definisce le scadenze delle comunicazioni chiave, garantendo che le informazioni siano condivise in momento opportuno e non si verifichino ritardi o omissioni. Le regole di comunicazione e gli accordi sul livello di servizio (SLA) definiscono le norme formali della comunicazione, come i tempi di risposta, il tono da adottare e le responsabilità di ciascun membro del team. Grazie alla struttura visuale di EdrawMind, questo template permette di pianificare la comunicazione in modo strategico, trasparente e efficiente, riducendo i rischi di cattiva informazione, migliorando la collaborazione e garantendo che tutti gli stakeholder siano informati e coinvolti nel progetto.
Mappa mentale per l’analisi del controllo della gestione del portata di progetto. Tre sezioni principali: 1. WBS Scope Breakdown – scomposizione gerarchica del lavoro con dettaglio dello Scopo del progetto. 2. Scope Boundary / Exclusions – definizione chiara dei confini del progetto e di ciò che è escluso per evitare scope creep. Strumento ideale per project manager e team di controllo per mantenere allineamento e ridurre rischi.
Questo template, ideato con EdrawMind, è un modello completo per il miglioramento continuo del sistema di gestione della qualità, con una descrizione di circa 500 parole. È strutturato come un diagramma a lisca di pesce, strumento efficace per analizzare le cause principali dei problemi di qualità e definire le leve di controllo necessarie per risolverli. Il processo è organizzato in quattro fasi chiave: la prima è lo standard e la pianificazione, dove si definiscono gli obiettivi di qualità, i criteri di accettazione, i requisiti di prova e le porte di qualità (Quality Gate). La seconda fase analizza i processi e le porte di controllo, per garantire che ogni passaggio del lavoro segua i standard stabiliti. La terza fase riguarda l’esecuzione QA/QC, con la definizione di metodi di prova e ispezione, nonché regole per la gestione dei difetti e delle non conformità. L’ultima fase è il miglioramento e le azioni correttive e preventive (CAPA), insieme a una catena di audit per monitorare l’efficacia delle misure adottate. In basso, una tabella "Quality Gate" permette di tracciare ogni punto di controllo, con criteri specifici, metodi di prova, proprietario e stato di avanzamento. Grazie alla visualizzazione chiara e intuitiva di EdrawMind, questo strumento aiuta il team a identificare le cause root dei problemi di qualità, implementare azioni efficaci e mantenere un ciclo di miglioramento continuo, garantendo la qualità finale del prodotto o servizio.
Questo template, creato con EdrawMind, è un modello di piano di comunicazione ottimizzato, con una descrizione di circa 500 parole. È uno strumento chiave per evitare incomprensioni tra stakeholder, garantire la trasparenza e mantenere il team allineato agli obiettivi del progetto. Il modello è composto da tre elementi fondamentali e interconnessi: la matrice di comunicazione, la cadenza timeline e le regole di comunicazione/SLA. La matrice di comunicazione è una tabella dettagliata dove per ogni pubblico o stakeholder, si definisce il tipo di informazioni da condividere, lo scopo della comunicazione, il canale da utilizzare (email, riunioni, piattaforme di progetto), la frequenza, il proprietario responsabile, il formato e il percorso di escalazione in caso di problemi. La cadenza timeline è una linea temporale che definisce le scadenze delle comunicazioni chiave, garantendo che le informazioni siano condivise in momento opportuno e non si verifichino ritardi o omissioni. Le regole di comunicazione e gli accordi sul livello di servizio (SLA) definiscono le norme formali della comunicazione, come i tempi di risposta, il tono da adottare e le responsabilità di ciascun membro del team. Grazie alla struttura visuale di EdrawMind, questo template permette di pianificare la comunicazione in modo strategico, trasparente e efficiente, riducendo i rischi di cattiva informazione, migliorando la collaborazione e garantendo che tutti gli stakeholder siano informati e coinvolti nel progetto.
Machine learning algorithm classification
Machine learning is classified according to training methods
Supervised Learning
Artificial Neural Network class
Backpropagation
Boltzmann Machine
Convolutional Neural Network
Hopfield Network
Multilayer Perceptron
Radial Basis Function Network (RBFN)
Restricted Boltzmann Machine
Recurrent Neural Network (RNN)
Self-organizing Map (SOM)
Spiking Neural Network
Bayesin
Naive Bayes
Gaussian Naive Bayes
Multinomial Naive Bayes
Averaged One-Dependence Estimators (AODE)
Bayesian Belief Network (BBN)
Bayesian Network (BN)
Decision Tree class
Classification and Regression Tree (CART)
Iterative Dichotomiser3 (Iterative Dichotomiser 3, ID3)
C4.5 Algorithm
C5.0 Algorithm (C5.0 Algorithm)
Chi-squared Automatic Interaction Detection (CHAID)
Decision Stump
ID3 Algorithm
Random Forest
SLIQ (Supervised Learning in Quest)
Linear Classifier class
Fisher’s Linear Discriminant
Linear Regression
Logistic Regression
Multinomial Logistic Regression
Naive Bayes Classifier
Perception
Support Vector Machine
Unsupervised Learning
Artificial Neural Network class
Generative Adversarial Networks (GAN)
Feedforward Neural Network
Logic Learning Machine
Self-organizing Map
Association Rule Learning class
Apriori Algorithm
Eclat Algorithm
FP-Growth algorithm
Hierarchical Clustering
Single-linkage Clustering
Conceptual Clustering
Cluster analysis
BIRCH algorithm
DBSCAN algorithm
Expectation-maximization (EM)
Fuzzy Clustering
K-means algorithm
K-means Clustering
K-medians clustering
Mean-shift algorithm (Mean-shift)
OPTICS algorithm
Anomaly detection class
K-nearest Neighbor (KNN) algorithm
Local Outlier Factor (LOF) algorithm
Semi-supervised Learning
Generative Models
Low-density Separation
Graph-based Methods
Co-training
Reinforcement Learning
Q-learning
State-Action-Reward-State-Action (State-Action-Reward-State-Action, SARSA)
DQN (Deep Q Network)
Policy Gradients
Model Based RL
Temporal Differential Learning
Deep Learning
Deep Belief Machines
Deep Convolutional Neural Networks
Deep Recurrent Neural Network
Hierarchical Temporal Memory (HTM)
Deep Boltzmann Machine (DBM)
Stacked Autoencoder
Generative Adversarial Networks
Transfer Learning
Inductive Transfer Learning
Transductive Transfer Learning
Unsupervised Transfer Learning
Transitive Transfer Learning
Machine learning is classified according to problem solving
Two-class Classification
Two-class SVM: suitable for scenarios with many data features and linear models
Two-class Average Perceptron: Suitable for scenarios with short training time and linear models.
Two-class Logistic Regression: Suitable for scenarios with short training time and linear models
Two-class Bayes Point Machine: suitable for scenarios with short training time and linear models
Two-class Decision Forest: suitable for scenarios with short training time and accuracy
Two-class Boosted Decision Tree: suitable for scenarios with short training time, high accuracy, and large memory usage
Two-class Decision Jungle: suitable for scenarios with short training time, high accuracy, and small memory footprint
Two-class Locally Deep SVM: suitable for scenarios with many data features
Two-class Neural Network: suitable for scenarios with high accuracy and long training time
Multi-class Classification
Multiclass Logistic Regression: Suitable for scenarios with short training time and linear models
Multiclass Neural Network: suitable for scenarios with high accuracy and long training time
Multiclass Decision Forest: suitable for scenarios with high accuracy and short training time
Multiclass Decision Jungle: suitable for scenarios with high accuracy and small memory footprint
"One-vs-all Multiclass": depends on the effect of the two classifiers
Regression algorithm
Ordinal Regression: Suitable for scenarios where data is classified and sorted
Poisson Regression: Suitable for predicting the number of events
Fast Forest Quantile Regression: Suitable for scenarios of predicting distributions
Linear Regression: Suitable for scenarios with short training time and linear models
Bayesian Linear Regression: suitable for linear models and scenarios where the amount of training data is small
Neural Network Regression: suitable for scenarios with high accuracy and long training time
Decision Forest Regression: suitable for scenarios with high accuracy and short training time
Boosted Decision Tree Regression: suitable for scenarios with high accuracy, short training time, and large memory usage
Clustering algorithm
Hierarchical Clustering: suitable for scenarios with short training time and large amount of data
K-means algorithm: suitable for scenarios with high accuracy and short training time
Fuzzy clustering FCM algorithm (Fuzzy C-means, FCM): suitable for scenarios with high accuracy and short training time
SOM neural network (Self-organizing Feature Map, SOM): suitable for scenarios with long running time
Anomaly Detection
One-class support vector machine (One-class SVM): suitable for scenarios with many data features
PCA-based Anomaly Detection: suitable for scenarios with short training time