Sisällysluettelo:

Mitä on assosiaatio ohjaamattomassa oppimisessa?
Mitä on assosiaatio ohjaamattomassa oppimisessa?

Video: Mitä on assosiaatio ohjaamattomassa oppimisessa?

Video: Mitä on assosiaatio ohjaamattomassa oppimisessa?
Video: Miten tekoälyä hyödynnetään arjen ratkaisuissa? 2024, Marraskuu
Anonim

yhdistys säännöt tai yhdistys analyysi on myös tärkeä aihe tiedon louhinnassa. Tämä on valvomatta -menetelmää, joten aloitamme merkitsemättömästä tietojoukosta. Merkitsemätön tietojoukko on tietojoukko ilman muuttujaa, joka antaa meille oikean vastauksen. yhdistys analyysi pyrkii löytämään suhteita eri entiteettien välillä.

Ovatko yhdistyksen säännöt vastaavasti ohjaamatonta oppimista?

Toisin kuin päätöspuu ja sääntö asettaa induktio, joka johtaa luokittelumalleihin, assosiaatiosäännön oppiminen on ohjaamatonta oppimista menetelmällä, eikä esimerkeille ole määritetty luokkatunnisteita. Tämä olisi sitten valvottu Oppiminen tehtävä, jossa NN oppii esikalsifioiduista esimerkeistä.

Lisäksi mitä ohjaamaton oppiminen tarkoittaa? Ohjaamaton oppiminen on eräänlainen koneoppiminen Algoritmi, jota käytetään johtopäätösten tekemiseen tietojoukoista, jotka koostuvat syötetiedoista ilman merkittyjä vastauksia. Yleisin ohjaamatonta oppimista menetelmä On klusterianalyysi, joka On käytetään tutkivaan data-analyysiin piilotettujen mallien tai ryhmittelyn löytämiseksi tiedosta.

Lisäksi mikä on ohjaamaton oppimisen esimerkki?

Tässä voi olla valvomattomia koneoppimisen esimerkkejä kuten k-keskiarvo Klusterointi , Piilotettu Markovin malli, DBSCAN Klusterointi , PCA, t-SNE, SVD, assosiaatiosääntö. Katsotaanpa muutamia niistä: k-keino Klusterointi - Tiedonlouhinta. k- tarkoittaa klusterointi on keskeinen algoritmi valvomatonta koneoppimista operaatio.

Mitä ovat ohjaamattoman oppimisen eri tyypit?

Jotkut yleisimmistä ohjaamattomassa oppimisessa käytetyistä algoritmeista ovat:

  • Klusterointi. hierarkkinen klusterointi, k-keskiarvo.
  • Anomalian havaitseminen. Paikallinen outlier-tekijä.
  • Neuraaliverkot. Automaattiset kooderit. Deep Belief Nets.
  • Lähestymistapoja piilevien muuttujamallien oppimiseen, kuten. Odotus-maksimointialgoritmi (EM) Momenttien menetelmä.

Suositeltava: