I 10 migliori algoritmi di machine learning in cui i principianti possono immergersi
Ehi appassionati di ML, dai un’occhiata a questo elenco di algoritmi che puoi esplorare.
Tutti i campi dell’apprendimento automatico: apprendimento supervisionato, non supervisionato, semi-supervisionato e di rinforzo, utilizzano diversi algoritmi per diversi tipi di attività come previsione, classificazione, regressione, ecc. Ogni algoritmo di apprendimento automatico gestisce un problema specifico e in questo modo i principianti possono immergersi uno di questi per capire le soluzioni, una alla volta.
Ecco una raccolta dei migliori algoritmi di apprendimento automatico che vengono frequentemente utilizzati in tutti i campi dell’apprendimento automatico.
Ora puoi esercitarti con gli algoritmi ML
1 Linear regression Regressione lineare
La formazione di relazioni tra due variabili è quasi il punto di partenza di un modello e la regressione lineare nell’apprendimento automatico lo raggiunge. La relazione tra le variabili dipendenti e indipendenti viene stabilita allineandole su una retta di regressione. Quindi, l’obiettivo è trovare la linea di adattamento migliore che spieghi la relazione tra entrambe le variabili.
La linea di regressione lineare è rappresentata da un’equazione matematica da,
y = mx + c
Dove y è la variabile dipendente, x è la variabile indipendente, m è la pendenza e c è l’intercetta.
2 logistic Regression Regressione logistica
Ora, quando la variabile dipendente è dicotomica (binaria), la regressione logistica viene utilizzata per stimare i valori discreti (a differenza della regressione lineare che gestisce i valori continui) all’interno di un insieme di variabili indipendenti.
Questo algoritmo viene utilizzato nell’analisi predittiva in cui la probabilità del verificarsi di un evento è prevista in base alla funzione logit, motivo per cui viene anche chiamata “regressione logit”.
Matematicamente, è rappresentato da,
y = e^(b0 + b1*x) / (1 + e^(b0 + b1*x))
Dove x è il valore di input, y è l’output previsto, b0 è il bias e b1 è il coefficiente per x.
3 Artificial neural networks Reti neurali artificiali
Le ANN sono utilizzate nella maggior parte dei recenti modelli relativi all’AGI che utilizzano l’apprendimento auto-supervisionato. Questo algoritmo cerca di imitare il cervello umano copiando il comportamento e le connessioni dei neuroni. La struttura delle ANN ha tre o più livelli interconnessi per l’elaborazione dei dati di input.
Questi sono utilizzati in vari elettrodomestici intelligenti e dispositivi di automazione come auto automatiche, altoparlanti e luci intelligenti e molto altro.
Le reti neurali convoluzionali (CNN), una delle reti neurali più utilizzate nei recenti sviluppi, sono un tipo di ANN. Si tratta principalmente di reti basate sulla visione artificiale in cui il primo livello è il livello di input, i livelli intermedi sono i livelli nascosti che eseguono l’elaborazione e il terzo livello è il livello di output.
4 Gradient descent Discesa del gradiente
Un algoritmo di ottimizzazione per minimizzare la funzione di costo aggiornando i parametri del modello di apprendimento automatico. Viene utilizzato all’interno di vari algoritmi di apprendimento automatico ed è più comunemente utilizzato nell’apprendimento profondo. È utilizzato in vari campi come robotica, giochi per computer, ingegneria meccanica e altro ancora.
Esistono tre tipi di algoritmi di discesa del gradiente:
Discesa del gradiente in batch: elabora tutti i dati di addestramento per ogni iterazione della discesa del gradiente. Se il set di dati è grande, questo metodo è troppo costoso.
Discesa del gradiente stocastico: elabora un esempio di addestramento per iterazione, con il risultato che i parametri vengono aggiornati ogni volta.
Discesa del gradiente in mini batch: la discesa del gradiente più veloce che elabora grandi quantità di iterazioni in piccoli batch, abbinando iterazioni simili.
5 Decision trees Alberi decisionali
Un algoritmo di apprendimento supervisionato utilizzato per la visualizzazione di una mappa di possibili risultati per una serie di decisioni. Fondamentalmente, divide il set di dati in due o più omogenei per il confronto dei possibili risultati e quindi prende decisioni basate su vantaggi e probabilità.
È come fare un elenco di pro e contro e prendere decisioni basate su anticipazioni e potenzialità di diverse opzioni ma, nell’apprendimento automatico, si basa su un costrutto matematico.
6 Naive Bayes Algorithm
La probabilità bayesiana è un tipo di concetto di probabilità in cui invece della frequenza di un fenomeno, la probabilità viene interpretata dalla quantificazione di una credenza o conoscenza personale che rappresenta un’aspettativa ragionevole. Il Naive Bayes viene utilizzato per i problemi di classificazione e presuppone che le caratteristiche dell’algoritmo siano indipendenti l’una dall’altra e non siano influenzate dai cambiamenti reciproci.
Ad esempio, il peso e le dimensioni di un tavolo possono cambiare e magari essere correlati ma non cambiano il fatto fondamentale che si tratta di un tavolo. Questo algoritmo semplicistico è in grado di gestire grandi set di dati e fare previsioni in tempo reale.
Il teorema di Bayes è dato da,
P (X|Y) = (P (Y|X) x P (X)) /P (Y)
Dove P(X) è la probabilità che X sia vero, P(X/Y) è la probabilità condizionata in cui X è vero quando anche Y è vero .
7 Algoritmo KNN
Questo algoritmo di apprendimento automatico supervisionato classifica tutti i nuovi casi in base ai vecchi casi archiviati che sono segregati in classi diverse in base ai loro punteggi di somiglianza. K Nearest Neighbors (KNN) viene utilizzato sia per problemi di regressione che di classificazione.
K si riferisce al numero di punti vicini considerati durante la segregazione e la classificazione di un insieme di gruppi noti. L’algoritmo classifica a maggioranza dei punti K vicini.
I principali casi d’uso e le applicazioni reali dell’algoritmo possono essere trovati nei sistemi di raccomandazione di piattaforme OTT come Amazon e Netflix e anche nei sistemi di riconoscimento facciale.
8 K-Mean
Per le attività di clustering, K-mean è un algoritmo di apprendimento automatico non supervisionato basato sulla distanza. L’algoritmo classifica i set di dati in cluster K dove all’interno di un set i punti dati rimangono omogenei, ma non in cluster diversi.
Questo algoritmo viene utilizzato per raggruppare gli utenti di Facebook che hanno interessi comuni in base a simpatie e antipatie e anche segmentazione di prodotti di e-commerce simili.
9 Random forest algorithm Algoritmo foresta casuale
Un altro algoritmo di apprendimento supervisionato, gli alberi casuali è una raccolta di più alberi decisionali costruiti su diversi campioni durante l’addestramento. Si basa sull’accuratezza degli alberi decisionali mappando le decisioni di alberi diversi su un singolo albero noto come modello CART (alberi di classificazione e regressione).
Questo aiuta ad aumentare la precisione quando in un set di dati manca una grande quantità di dati. La previsione finale si basa sul risultato della previsione che viene votato come il più alto. Questo algoritmo viene utilizzato principalmente nei motori di raccomandazione e-commerce e nei modelli finanziari.
10 SVM Support Vector Machines
Gli SVM sono algoritmi di apprendimento automatico supervisionati che tracciano i singoli dati in un numero di spazi dimensionali, in base al numero di caratteristiche. La classificazione viene eseguita determinando l’iperpiano che distingue due insiemi di vettori di supporto.
Semplicemente, gli SVM servono a rappresentare le coordinate delle singole osservazioni. Questi sono comunemente usati nelle applicazioni di apprendimento automatico come la classificazione delle espressioni facciali, il riconoscimento vocale e il rilevamento delle immagini.
