С быстрым расширением машинного обучения как области исследований нелегко успевать за всем, что изобретается и открывается.
Я создал график, который упростит понимание различий между типами систем машинного обучения.
Полезно иметь в виду, что существует несколько способов (алгоритм машинного обучения) для решения конкретной проблемы. Обычно есть несколько подходящих алгоритмов, и вы обязаны определить, какой из алгоритмов является наилучшим в данных обстоятельствах его реализации.
Сейчас все решают нейронные сети; Зачем рубить хлеб мечом, когда хватит ножа?
Пейзаж ML, если смотреть сверху, имеет в основном четыре разных направления:
В следующие недели я буду углубляться в каждую тему и обсуждать ее основные положения.
Подвести итог
Надеюсь, эта статья помогла вам получить более четкое представление о том, как обычно разделяется ландшафт машинного обучения.
Пропустил ли я какой-либо тип обучения? Сообщите мне об этом в комментариях ниже.
Я хотел бы услышать ваши идеи о том, что вы хотели бы прочитать дальше - дайте мне знать ниже в разделе комментариев!
Вы всегда можете связаться со мной через LinkedIn.
