Udostępnij za pośrednictwem

Ściągawka dotycząca algorytmów uczenia maszynowego dla projektanta usługi Azure Machine Learning

  • Artykuł

Ściągawka dotycząca algorytmów usługi Azure Machine Learning ułatwia wybór odpowiedniego algorytmu od projektanta dla modelu analizy predykcyjnej.

Uwaga

Projektant obsługuje dwa typy składników, klasyczne wstępnie utworzone składniki (wersja 1) i składniki niestandardowe (wersja 2). Te dwa typy składników nie są zgodne.

Klasyczne wstępnie utworzone składniki zapewniają wstępnie utworzone składniki na potrzeby przetwarzania danych i tradycyjnych zadań uczenia maszynowego, takich jak regresja i klasyfikacja. Ten typ składników nadal jest obsługiwany, ale nie będą do niego dodawane żadne nowego składniki.

Składniki niestandardowe umożliwiają opakowywanie własnego kodu jako składnika. Obsługuje udostępnianie składników między obszarami roboczymi i bezproblemowe tworzenie w interfejsach programu Studio, interfejsu wiersza polecenia w wersji 2 i zestawu SDK w wersji 2.

W przypadku nowych projektów zdecydowanie zalecamy użycie składnika niestandardowego, który jest zgodny z językiem AzureML w wersji 2 i będzie nadal otrzymywać nowe aktualizacje.

Ten artykuł dotyczy klasycznych wstępnie utworzonych składników i nie jest zgodny z interfejsem wiersza polecenia w wersji 2 i zestawem SDK w wersji 2.

Usługa Azure Machine Learning ma dużą bibliotekę algorytmów z klasyfikacji, systemów rekomendacji, klastrowania, wykrywania anomalii, regresji i rodzin analizy tekstu. Każdy z nich ma na celu rozwiązanie innego typu problemu z uczeniem maszynowym.

Aby uzyskać więcej informacji, zobacz Jak wybrać algorytmy.

Pobierz: Ściągawka dotycząca algorytmów uczenia maszynowego

Pobierz ściągawkę tutaj: Ściągawka dotycząca algorytmów uczenia maszynowego (11x17 w).)

Ściągawka dotycząca algorytmów uczenia maszynowego: dowiedz się, jak wybrać algorytm uczenia maszynowego.

Pobierz i wydrukuj arkusz ściągawek algorytmów uczenia maszynowego w rozmiarze tabloidu, aby zachować jego poręczność i uzyskać pomoc przy wyborze algorytmu.

Jak używać ściągawki dotyczącej algorytmów uczenia maszynowego

Sugestie oferowane w tym ściągawce algorytmu są przybliżone reguły kciuka. Niektóre mogą być wygięte, a niektóre mogą być rażąco naruszone. Ten ściągawka ma na celu sugerowanie punktu wyjścia. Nie bój się uruchomić konkurencji head-to-head między kilkoma algorytmami na danych. Po prostu nie ma podstaw do zrozumienia zasad każdego algorytmu i systemu, który wygenerował dane.

Każdy algorytm uczenia maszynowego ma swój własny styl lub stronniczość indukcyjną. W przypadku konkretnego problemu może być odpowiednich kilku algorytmów, a jeden algorytm może być lepszy niż inne. Ale nie zawsze można wiedzieć wcześniej, co jest najlepszym rozwiązaniem. W takich przypadkach kilka algorytmów jest wymienionych razem w ściągawce. Odpowiednią strategią byłoby wypróbowanie jednego algorytmu, a jeśli wyniki nie są jeszcze zadowalające, wypróbuj inne.

Aby dowiedzieć się więcej na temat algorytmów w projektancie usługi Azure Machine Learning, przejdź do dokumentacji dotyczącej algorytmów i składników.

Rodzaje uczenia maszynowego

Istnieją trzy główne kategorie uczenia maszynowego: uczenie nadzorowane, uczenie nienadzorowane i uczenie wzmacniania.

Uczenie nadzorowane

W uczeniu nadzorowanym każdy punkt danych jest oznaczony etykietą lub jest skojarzony z kategorią lub wartością zainteresowania. Przykładem etykiety kategorii jest przypisanie obrazu jako "cat" lub "dog". Przykładem etykiety wartości jest cena sprzedaży skojarzona z używanym samochodem. Celem uczenia nadzorowanego jest zbadanie wielu przykładów oznaczonych etykietami, takich jak te, a następnie możliwość przewidywania przyszłych punktów danych. Na przykład zidentyfikowanie nowych zdjęć z prawidłowym zwierzęciem lub przypisanie dokładnych cen sprzedaży do innych używanych samochodów. Jest to popularny i przydatny typ uczenia maszynowego.

Uczenie nienadzorowane

W uczeniu nienadzorowanym punkty danych nie mają skojarzonych z nimi etykiet. Zamiast tego celem algorytmu uczenia nienadzorowanego jest organizowanie danych w jakiś sposób lub opisywanie jego struktury. Nienadzorowane dane uczenia grupuje dane w klastrach, jak to robi K-średnich, lub znajduje różne sposoby przeglądania złożonych danych, tak aby wydawały się prostsze.

Uczenie przez wzmacnianie

W uczeniu wzmacniania algorytm wybiera akcję w odpowiedzi na każdy punkt danych. Jest to typowe podejście do robotyki, gdzie zestaw odczytów czujników w jednym momencie jest punktem danych, a algorytm musi wybrać następną akcję robota. Jest to również naturalne dopasowanie do aplikacji Internetu rzeczy. Algorytm uczenia otrzymuje również sygnał nagrody chwilę później, wskazując, jak dobra była decyzja. Na podstawie tego sygnału algorytm modyfikuje swoją strategię, aby osiągnąć najwyższą nagrodę.

Następne kroki