Публикации по теме 'unsupervised-learning'
Машинное обучение: для моего дедушки (для начинающих)
Определение машинного обучения
В некотором смысле машинное обучение работает аналогично человеческому обучению. Например, если ребенку показывают изображения с определенными объектами на них, он может научиться идентифицировать и различать их. Машинное обучение работает таким же образом: с помощью ввода данных и определенных команд компьютер может «научиться» идентифицировать определенные объекты (людей, объекты и т. д.) и различать их. Для этого программное обеспечение снабжается..
Графики, часть 2: Как графики используются при изучении языка без учителя
Во второй части серии мы более подробно рассмотрим, как используются графы в SingularityNET, OpenCog и Aigents.
Вступление
Цель этой серии исследований, состоящей из четырех частей, - показать, как мы будем визуализировать данные, используя графики в качестве сетевых диаграмм и структур данных.
В первой части этой серии: Как SingularityNET будет использовать OpenCog и Aigents был дан вводный обзор различных типов графиков. После обзора были рассмотрены некоторые уникальные..
Машинное обучение с учителем и без учителя
Основная цель алгоритмов машинного обучения - обнаружение закономерностей в данных. В зависимости от типа вопросов, с которыми столкнулись исследователи, и имеющихся данных мы выберем алгоритмы обучения. Их можно разделить на два класса в зависимости от того, как они узнают о данных. Это контролируемое и неконтролируемое обучение .
Когда у нас есть априорная информация о реальной ценности результатов, мы можем создать алгоритм, используя основную истину. Предположим, у нас есть..
Кластеризация K-средних и ее приложения в области безопасности
Кластеризация является одним из наиболее распространенных методов исследовательского анализа данных, используемых для получения интуитивного представления о структуре данных. Его можно определить как задачу идентификации подгрупп в данных таким образом, чтобы точки данных в одной и той же подгруппе (кластере) были очень похожи, а точки данных в разных кластерах сильно различались. Другими словами, мы пытаемся найти однородные подгруппы в данных, чтобы точки данных в каждом кластере были..
Демистификация моделей гауссовой смеси и максимизация ожиданий
Объяснение моделей гауссовой смеси и лежащего в ее основе алгоритма максимизации ожидания в упрощенном виде
После того, как вы научитесь кластеризовать выборки немаркированных точек данных с помощью простейшего алгоритма кластеризации k-средних , мы начинаем видеть несколько недостатков k-средних при применении этого метода к реальному набору данных. Следующим шагом инженера машинного обучения будет применение более сложных алгоритмов для понимания различных группировок (кластеров)..
Введение в K-средних
Кластеризация K-средних — это алгоритм обучения без учителя , который находит группы в данных на основе их сходства с числом групп, представленных переменная K .
K-means — это алгоритм на основе центроидов , в котором каждый кластер связан с центроидом ( центроиды – это точки данных, представляющие центр кластера).
Алгоритм K-средних можно рассматривать как двухэтапный подход , где на первом этапе; идентифицируется k центроидов в зависимости от выбранного значения k, в..
Реализация анализа главных компонентов (PCA) в кластеризации K-средних
Подход новичка к применению PCA с использованием двух компонентов для алгоритма кластеризации K-средних с использованием Python и его библиотек.
Предварительные требования
В этой статье предполагается, что вы знакомы с базовой теорией, лежащей в основе PCA, алгоритма K-средних, и знаете язык программирования Python.
Кластеризация средств K - это один из простейших, но эффективных алгоритмов без учителя. Сначала давайте кратко опишем, что делает этот алгоритм.
Алгоритм..
