-
Notifications
You must be signed in to change notification settings - Fork 23
/
sample-output.txt
14 lines (9 loc) · 2.3 KB
/
sample-output.txt
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Maschinelles Lernen ist eine Teilmenge der künstlichen Intelligenz im Bereich der Informatik, die häufig statistische Techniken verwendet, um Computern die Möglichkeit zu geben, "zu lernen" (d. h. die Leistung einer bestimmten Aufgabe schrittweise zu verbessern) mit Daten, ohne explizit programmiert.
Tom M. Mitchell vorausgesetzt, eine weit zitierte, mehr formale Definition der Algorithmen in der Maschine lernen Feld untersucht: "ein Computer-Programm soll aus Erfahrung E Lernen in Bezug auf einige Klasse von Aufgaben T und Performance-Maßnahme P, wenn seine Leistung bei Aufgaben in T, wie von P gemessen, verbessert sich mit der Erfahrung E.
Maschinelle Lernaufgaben werden in der Regel in zwei große Kategorien eingestuft, je nachdem, ob ein lernendes "Signal" oder "Feedback" für ein Lernsystem verfügbar ist:
Beaufsichtigtes Lernen: der Computer wird mit Beispiel Eingängen und deren gewünschten Ausgängen präsentiert, die von einem "Lehrer" gegeben werden, und das Ziel ist, eine allgemeine Regel zu erlernen, die Eingänge zu den Ausgängen ordnet. Als Sonderfälle kann das Eingangssignal nur teilweise zur Verfügung stehen oder auf spezielles Feedback beschränkt werden:
Unüberwachtes Lernen: dem Lernalgorithmus werden keine Labels zugewiesen, so dass er selbst die Struktur in seinem Input findet. Unbeaufsichtigt lernen kann ein Ziel an sich sein (Entdeckung verborgener Muster in Daten) oder ein Mittel gegen Ende (Feature Learning).
Eine weitere Kategorisierung von maschinellen Lernaufgaben entsteht, wenn man die gewünschte Leistung eines maschinell erlernten Systems berücksichtigt:
In der Klassifizierung werden Eingaben in zwei oder mehr Klassen unterteilt, und der Lernende muss ein Modell erstellen, das einer oder mehreren (Multi-Label-Klassifizierung) dieser Klassen unsichtbare Eingaben zuweist. Dies wird in der Regel überwacht behandelt. Spam-Filterung ist ein Beispiel für die Klassifizierung, wo die Eingänge sind e-Mail (oder andere) Nachrichten und die Klassen sind "Spam" und "nicht Spam".
In Regression, auch ein überwachtes Problem, die Ausgänge sind kontinuierlich und nicht diskret.
Bei der Clusterbildung ist eine Reihe von Eingaben in Gruppen aufgeteilt. Anders als in der Klassifizierung sind die Gruppen nicht vorher bekannt, so dass dies in der Regel eine unbeaufsichtigte Aufgabe.