این ماژول به بررسی نحوه قالب بندی یک کار به عنوان یک مشکل یادگیری ماشینی می پردازد و بسیاری از اصطلاحات اساسی واژگانی را که در طیف گسترده ای از روش های یادگیری ماشین (ML) به اشتراک گذاشته شده اند، پوشش می دهد.
کادر بندی
یادگیری ماشینی (نظارت شده) چیست؟
سیستم های ML یاد می گیرند
نحوه ترکیب ورودی
برای تولید پیش بینی های مفید
بر روی داده هایی که قبلاً دیده نشده اند
اصطلاحات: برچسب ها و ویژگی ها
برچسب متغیری است که ما پیش‌بینی می‌کنیم
معمولاً با متغیر y نشان داده می شود
اصطلاحات: برچسب ها و ویژگی ها
برچسب متغیری است که ما پیش‌بینی می‌کنیم
معمولاً با متغیر y نشان داده می شود
ویژگی ها متغیرهای ورودی هستند که داده های ما را توصیف می کنند
معمولاً با متغیرهای {x 1 , x 2 , ..., x n } نشان داده می شود.
اصطلاحات: مثال ها و مدل ها
به عنوان مثال یک نمونه خاص از داده ها، x است
نمونه برچسب دار دارای {features, label} است: ( x , y )
برای آموزش مدل استفاده می شود
مثال بدون برچسب دارای {features, ?}: ( x , ? )
برای پیش بینی داده های جدید استفاده می شود
اصطلاحات: مثال ها و مدل ها
به عنوان مثال یک نمونه خاص از داده ها، x است
نمونه برچسب دار دارای {features, label} است: ( x , y )
برای آموزش مدل استفاده می شود
مثال بدون برچسب دارای {features, ?}: ( x , ? )
برای پیش بینی داده های جدید استفاده می شود
مدل‌ها نمونه‌هایی را به برچسب‌های پیش‌بینی‌شده نشان می‌دهد: y'
تعریف شده توسط پارامترهای داخلی، که آموخته شده است
