Machine Learning Algorithmen: Welcher Algorithmus für welches Problem?

Nehmen Sie Andrew Ngs maschinellen Lernkurs auf Kursen . Es ist schön zusammen, erklärt die Unterschiede zwischen verschiedenen Arten von ML-Algorithmus, gibt Tipps, wann jeder Algorithmus zu verwenden ist, und enthält Material für Praktiker sowie Mathematik, wenn Sie es wollen. Ich bin dabei, maschinelles Lernen selbst zu lernen und dies war bei weitem die nützlichste Ressource.

(Ein anderer Ratschlag, den Sie vielleicht nützlich finden könnten, ist das Lernen von Python. Dies beruht auf einem Fehler, den ich gemacht habe, als ich anfing, Python zu einem früheren Zeitpunkt zu lernen und die vielen Bücher, Webseiten, SDKs usw. auszuschließen sind Python-basiert.Wie sich herausstellt, Python ist ziemlich leicht zu erlernen, und von meinen eigenen persönlichen Beobachtungen zumindest weit verbreitet in den Maschinen lernen und Data Science-Communities.)

@TooTone: Meiner Meinung nach könnte Machine Learning in Action dem OP helfen, zu entscheiden, welche Technik für ein bestimmtes Problem verwendet werden soll, da das Buch eine klare Einteilung der verschiedenen ML-Algorithmen und Vor- und Nachteile bietet "für jeden von ihnen. Ich stimme zu, dass der Code etwas schwer zu lesen ist, besonders für Leute, die nicht an Matrixoperationen gewöhnt sind. Es gibt jahrelange Forschung in einem 10-Zeilen-Python-Programm zusammengefasst, also sei darauf vorbereitet, dass es einen Tag dauern wird (zumindest für mich).

Als einfachen Startpunkt überlege ich, welche Eingaben ich habe und welche Ausgaben ich möchte, was oft die Auswahl in jeder Situation einschränkt. Wenn ich zum Beispiel Kategorien anstelle von Zahlen und eine Zielkategorie für jede Eingabe verwende, sind Entscheidungsbäume eine gute Idee. Wenn ich kein Ziel habe, kann ich nur clustern. Wenn ich numerische Eingaben und eine numerische Ausgabe habe, könnte ich neuronale Netze oder andere Arten der Regression verwenden. Ich könnte auch Entscheidungsbäume verwenden, die Regressionsgleichungen erzeugen. Es gibt weitere Fragen, die danach gestellt werden müssen, aber es ist ein guter Anfang.

Folgende DZone Refcard könnte auch hilfreich sein .. Ссылка . Aber Sie müssen sich schließlich im Detail einarbeiten.

Nehmen Sie Andrew Ngs maschinellen Lernkurs auf Kursen . Es ist schön zusammen, erklärt die Unterschiede zwischen verschiedenen Arten von ML-Algorithmus, gibt Tipps, wann jeder Algorithmus zu verwenden ist, und enthält Material für Praktiker sowie Mathematik, wenn Sie es wollen. Ich bin dabei, maschinelles Lernen selbst zu lernen und dies war bei weitem die nützlichste Ressource.

(Ein anderer Ratschlag, den Sie vielleicht nützlich finden könnten, ist das Lernen von Python. Dies beruht auf einem Fehler, den ich gemacht habe, als ich anfing, Python zu einem früheren Zeitpunkt zu lernen und die vielen Bücher, Webseiten, SDKs usw. auszuschließen sind Python-basiert.Wie sich herausstellt, Python ist ziemlich leicht zu erlernen, und von meinen eigenen persönlichen Beobachtungen zumindest weit verbreitet in den Maschinen lernen und Data Science-Communities.)

scikit-learn.org hat diese Infografik veröffentlicht, die auch dann hilfreich sein kann, wenn Sie die sklearn-Bibliothek nicht verwenden.

@TooTone: Meiner Meinung nach könnte Machine Learning in Action dem OP helfen, zu entscheiden, welche Technik für ein bestimmtes Problem verwendet werden soll, da das Buch eine klare Einteilung der verschiedenen ML-Algorithmen und Vor- und Nachteile bietet "für jeden von ihnen. Ich stimme zu, dass der Code etwas schwer zu lesen ist, besonders für Leute, die nicht an Matrixoperationen gewöhnt sind. Es gibt jahrelange Forschung in einem 10-Zeilen-Python-Programm zusammengefasst, also sei darauf vorbereitet, dass es einen Tag dauern wird (zumindest für mich).

Als einfachen Startpunkt überlege ich, welche Eingaben ich habe und welche Ausgaben ich möchte, was oft die Auswahl in jeder Situation einschränkt. Wenn ich zum Beispiel Kategorien anstelle von Zahlen und eine Zielkategorie für jede Eingabe verwende, sind Entscheidungsbäume eine gute Idee. Wenn ich kein Ziel habe, kann ich nur clustern. Wenn ich numerische Eingaben und eine numerische Ausgabe habe, könnte ich neuronale Netze oder andere Arten der Regression verwenden. Ich könnte auch Entscheidungsbäume verwenden, die Regressionsgleichungen erzeugen. Es gibt weitere Fragen, die danach gestellt werden müssen, aber es ist ein guter Anfang.

Folgende DZone Refcard könnte auch hilfreich sein .. Ссылка . Aber Sie müssen sich schließlich im Detail einarbeiten.