Согласно полученным знаниям и опыту, наиболее часто используемые алгоритмы на данных и часто задаваемые в интервью перечислены ниже.

Контролируемое обучение

Контролируемое машинное обучение создает модель, которая делает основанные на фактах прогнозы в условиях неопределенности. Алгоритм контролируемого обучения берет известный набор входных данных и известные ответы на данные, а затем обучает модель генерировать разумные прогнозы для реакции на новые данные. Вы можете использовать обучение с учителем, если у вас есть известные данные для вывода, который вы пытаетесь предсказать.

  • Линейная регрессия
  • Логистическая регрессия
  • SVM
  • Наивный байесовский анализ
  • КНН
  • Дерево решений
  • Случайный лес

Обучение без учителя

Неконтролируемое обучение — это метод машинного обучения, при котором вам не нужно контролировать модель. Вместо этого вам нужно позволить модели работать самостоятельно, чтобы обнаружить информацию. Алгоритмы обучения без учителя позволяют выполнять более сложные задачи обработки по сравнению с обучением с учителем. При неконтролируемом обучении система не обучается, она учится на данных. Неконтролируемое машинное обучение находит любые неизвестные закономерности в данных. Неконтролируемые методы помогают найти функции, которые могут быть полезны для категоризации.

  • Априорный алгоритм
  • Алгоритм размерного уменьшения
  • К-средние

Алгоритмы повышения градиента
Алгоритм повышения градиента — это метод машинного обучения для решения задач регрессии и классификации. Это создает модель, обычно состоящую из деревьев решений, путем объединения слабых прогностических моделей.

  • GBM
  • XGBoost
  • LightGBM
  • Адабуст

Алгоритмы временных рядов

анализ временных рядов; Это важный метод анализа и преобразования событий и процессов с течением времени в понимание и понимание исторических эффектов.

Выводы, получаемые из событий, изменяющихся под влиянием времени, и маркировка этих влияний очень полезны для установления причинно-следственных связей и смысловых отношений.

  • АРИМА
  • ССА
  • Подходы на основе машинного обучения

Обучение с подкреплением

Обучение с подкреплением — это метод машинного обучения, который включает в себя обучение агента ИИ посредством повторения действий и связанных с ними вознаграждений. Агент обучения с подкреплением экспериментирует в окружающей среде, предпринимает действия и получает вознаграждение, когда предпринимаются правильные действия.

  • Марковский процесс принятия решений