Fiszki – Uczenie maszynowe i NLP

Front

Uczenie maszynowe (Machine Learning)

Back

Dziedzina sztucznej inteligencji, której celem jest budowa modeli uczących się wzorców z danych w celu podejmowania decyzji lub przewidywania wyników bez ręcznego programowania reguł.

Front

Uczenie nadzorowane (Supervised Learning)

Back

Model uczy się na oznakowanych danych (X, Y). Zadania: klasyfikacja, regresja. Przykładowe algorytmy: drzewa decyzyjne, k-NN, regresja logistyczna, SVM.

Front

Uczenie nienadzorowane (Unsupervised Learning)

Back

Model uczy się na danych bez etykiet, odkrywając ukryte struktury. Zadania: klasteryzacja, redukcja wymiarów, reguły asocjacyjne, detekcja anomalii. Algorytmy: k-means, DBSCAN, PCA, autoenkodery.

Front

Uczenie przez wzmocnienie (Reinforcement Learning)

Back

Paradygmat, w którym agent uczy się poprzez interakcję ze środowiskiem i otrzymywanie nagród za działania. Pojęcia: agent, środowisko, bufor doświadczeń.

Front

Klasyfikacja (Classification)

Back

Zadanie uczenia nadzorowanego polegające na przypisaniu obiektu do jednej z klas. Algorytmy: drzewa decyzyjne, k-NN, Naive Bayes, regresja logistyczna, SVM, Random Forest, sieci neuronowe.

Front

Regresja (Regression)

Back

Zadanie uczenia nadzorowanego polegające na przewidywaniu wartości liczbowych. Rodzaje: liniowa, wielomianowa, regresja z drzewami, sieci neuronowe.

Front

Klasteryzacja (Clustering)

Back

Zadanie uczenia nienadzorowanego – grupowanie obiektów według podobieństwa. Algorytmy: k-means, klastrowanie hierarchiczne, DBSCAN, GMM.

Front

Reguły asocjacyjne (Association Rules)

Back

Metody odkrywania współwystępujących elementów w danych. Przykład: {Chleb} → {Masło}. Algorytmy: Apriori, FP-Growth.

Front

Accuracy (dokładność)

Back

Odsetek poprawnych przewidywań.

Front

Precision (precyzja)

Back

Udział prawdziwych pozytywów wśród przewidywań pozytywnych.