Asosiy komponentni tahlil qilish (pca) / svd

Takrorlanuvchi neyron tarmoqlari (RNN)

RNN modellar ketma-ketligi t og'irlik to'plamini t va kiritish vaqtidagi agregator holatiga rekursiv ravishda qo'llash orqali. Bugungi kunda sof RNN kamdan kam ishlatiladi, ammo LSTM va GRU kabi hamkasblari ko'p sonli ketma-ketlikni modellashtirish muammolari uchun eng zamonaviy hisoblanadi. Sof RNN-da oddiy zich qatlam o'rniga LSTM ishlatiladi.

Matnni har qanday tasniflash, mashinani tarjima qilish, tilni modellashtirish uchun RNN-dan foydalaning.


Shartli tasodifiy maydonlar (CRF)


Ular RNN kabi ketma-ket modellashtirish uchun ishlatiladi va RNN bilan birgalikda ishlatilishi mumkin. Ular shuningdek, boshqa segmentlangan bashorat qilish vazifalarida, masalan, tasvir segmenti sifatida ishlatilishi mumkin. CRF ketma-ketlikning har bir elementini (aytaylik, jumlalarni) modellashtiradi, shunday qilib qo'shnilar bir-biridan mustaqil bo'lgan barcha yorliqlarga emas, balki ketma-ketlikdagi komponent yorlig'iga ta'sir qiladi.


Satrlarni bog'lash uchun CRF-dan foydalaning (matn, rasm, vaqt seriyasi, DNK va boshqalar).


Qaror daraxtlari va tasodifiy o'rmonlar
Mashinani o'rganish algoritmlarining eng keng tarqalganlaridan biri. Statistikada va bashorat qilingan modellar uchun ma'lumotlarni tahlil qilishda foydalaniladi. Tarkibi "barglar" va "novdalar" bilan ifodalanadi. Maqsadli funktsiyaga bog'liq bo'lgan atributlar qaror daraxtining «shoxlari» ga yoziladi, ob'ektiv funktsiyaning qiymatlari «barglar» da qayd etiladi va holatlar farqlanadigan atributlar qolgan tugunlarda qayd etiladi.


Yangi holatni tasniflash uchun daraxtdan bargga tushib, tegishli qiymatni qaytarishingiz kerak. Maqsad bir nechta kirish o'zgaruvchisi asosida maqsadli o'zgaruvchining qiymatini taxmin qiladigan modelni yaratishdir.