Машинное обучение: различия между версиями
Материал из Поле цифровой дидактики
Patarakin (обсуждение | вклад) |
Patarakin (обсуждение | вклад) |
||
| Строка 5: | Строка 5: | ||
|Clarifying_video=https://youtu.be/US2NMUfn1tQ | |Clarifying_video=https://youtu.be/US2NMUfn1tQ | ||
|similar_concepts=Персептрон, Искусственный интеллект, Генетический алгоритм | |similar_concepts=Персептрон, Искусственный интеллект, Генетический алгоритм | ||
|Environment=R, Julia, Python, Java, | |Environment=R, Julia, Python, Java, JavaScript | ||
}} | }} | ||
Одним из вариантов моделей машинного обучения являются нейронные сети, которые состоят из нейронов и синапсов (связей между нейронами). [[Нейронная сеть]] | Одним из вариантов моделей машинного обучения являются нейронные сети, которые состоят из нейронов и синапсов (связей между нейронами). [[Нейронная сеть]] | ||
Версия 22:54, 18 февраля 2023
| Описание | Способность программы учиться, не будучи явно запрограммированной. Машинное обучение - предполагает наличие общих алгоритмов, которые могут выявить полезную информацию об исследуемом наборе данных без необходимости писать специальный код для решения этой задачи. Что в машинном обучении способ выполнения задачи автоматически выводится из примеров |
|---|---|
| Область знаний | Информатика, Педагогика |
| Авторы | Самуэль, Минский, Пейперт |
| Поясняющее видео | https://youtu.be/US2NMUfn1tQ |
| Близкие понятия | Персептрон, Искусственный интеллект, Генетический алгоритм |
| Среды и средства для освоения понятия | R, Julia, Python, Java, JavaScript |
Одним из вариантов моделей машинного обучения являются нейронные сети, которые состоят из нейронов и синапсов (связей между нейронами). Нейронная сеть
Типы машиннного обучения
Контролируемое обучение
Обучение производится на многочисленных примерах размеченных данных, то есть на базе изображений в каждом из которых отмечен правильный результат.
Неконтролируемое обучение (без учителя)
К данному типу обучения относятся алгоритмы, которые обучаются на основе набора данных без каких-либо меток. В качестве примера неконтролируемого обучения можно привести кластерный анализ, где стоит задача разделить объекты на классы по неизвестному признаку. В отличие от классификации у нас нет заранее известных классов. Алгоритм сам должен найти похожие объекты и объединить их в кластеры на основе некоторой заданной функции близости.
