Fundamentos do treinamento de aprendizado de máquina supervisionado Ppt

Slide 1

Este slide fornece uma visão geral do aprendizado supervisionado, que é um dos tipos mais básicos de aprendizado de máquina. Nesse caso, o algoritmo de Machine Learning é treinado em dados rotulados. Embora os dados devam ser marcados adequadamente para que esse método funcione, o aprendizado supervisionado é poderoso quando utilizado nas situações certas.

Slide 2

Este slide demonstra que a análise de regressão é a abordagem fundamental usada no aprendizado de máquina para resolver problemas de regressão, usando modelagem de dados. Implica estabelecer a melhor linha de ajuste, que passa por todos os pontos de dados, minimizando a distância entre a barra e cada ponto de dados. A abordagem de regressão é usada principalmente para identificar a força do preditor, tendência de previsão, série temporal e no caso de uma relação de causa e efeito.

Slide 3

Este slide descreve que regressão linear e logística são duas abordagens de análise de regressão usadas para resolver problemas usando Machine Learning; essas são as abordagens de regressão mais populares. No entanto, existem muitos tipos de abordagens de análise de regressão no Machine Learning, e seu uso varia dependendo da natureza dos dados.

Slide 4

Este slide afirma que a análise de regressão tem muitos tipos e a aplicação de cada abordagem depende do número de componentes. Essas variáveis incluem o tipo de variável de destino, a forma da linha de regressão e o número de variáveis independentes.

Slide 5

Este slide descreve que a regressão linear é uma das formas mais fundamentais de regressão no Machine Learning. O modelo de regressão linear vincula uma variável preditora e uma variável dependente linearmente.

Slide 6

Este slide afirma que a regressão polinomial é um tipo de abordagem de análise de regressão no aprendizado de máquina. É semelhante à regressão linear múltipla, mas com algumas diferenças. Como estimador, um modelo linear é usado. O Método dos Mínimos Quadrados Médios também é usado na Regressão Polinomial.

Slide 7

Este slide afirma que esse tipo de regressão no aprendizado de máquina é empregado quando as variáveis independentes têm uma forte correlação. Isso ocorre porque, em dados multicolineares, as estimativas de mínimos quadrados produzem resultados imparciais. No entanto, se a colinearidade for muito alta, pode haver algum valor de viés.

Slide 8

Este slide lista que a regressão de laço é um tipo de regressão no Machine Learning que inclui regularização e seleção de recursos. Proíbe o tamanho absoluto dos coeficientes de regressão; e, como resultado, o valor do coeficiente se aproxima de 0, o que não é o caso da Regressão Ridge.

Slide 9

Este slide mostra que a regressão bayesiana é um tipo de regressão de aprendizado de máquina que usa o teorema de Bayes para determinar o valor dos coeficientes de regressão. Em vez de calcular os mínimos quadrados, essa abordagem de regressão determina a distribuição posterior dos recursos.

Slide 10

Este slide afirma que as árvores de decisão são uma ferramenta útil e têm muitas aplicações. As árvores de decisão podem ser usadas para resolver problemas de classificação e regressão. O nome indica que ele exibe as previsões provenientes de uma série de divisões baseadas em recursos usando uma estrutura de árvore semelhante a um fluxograma. Tudo começa com um nó raiz e termina com uma escolha de folha.

Slide 11

Este slide fornece uma visão geral do algoritmo de floresta aleatória. Uma Floresta Aleatória é um agrupamento de árvores de decisão. Cada árvore é classificada e a árvore "vota" para essa classe para classificar um novo item com base em suas propriedades. A floresta escolhe a classificação com o maior número de votos (sobre todas as árvores da floresta).

Slide 12

Este slide fornece uma visão geral da regressão logística, que é um tipo de abordagem de análise de regressão empregada quando a variável dependente é descontínua: por exemplo, 0 ou 1, verdadeiro ou falso e assim por diante. A função Logit é usada na Regressão Logística para avaliar a conexão entre a variável alvo e as variáveis independentes.

Slide 13

Este slide demonstra que o KNN é um algoritmo simples que mantém todas as instâncias existentes e classifica novos casos com base na maioria dos votos de seus k vizinhos.

Notas do instrutor:

KNN pode ser entendido com uma analogia da vida real. Por exemplo, se você quiser saber mais sobre alguém, converse com seus amigos e colegas de trabalho.

Considere o seguinte antes de decidir sobre o Algoritmo dos K Vizinhos Mais Próximos:

• KNN é caro para calcular e chegar a
• As variáveis devem ser normalizadas, ou variáveis de maior alcance farão com que o algoritmo seja tendencioso
• Os dados ainda devem ser pré-processados

Slide 14

Este slide afirma que Naive Bayes é uma técnica probabilística de Aprendizado de Máquina baseada no Teorema de Bayes e é usada para uma ampla gama de problemas de classificação. Um modelo Naive Bayesian é simples de construir e funciona bem com grandes conjuntos de dados. É simples de usar e supera até mesmo os algoritmos de classificação mais sofisticados.

Slide 15

Este slide mostra que o algoritmo SVM é um processo de classificação no qual os dados brutos são mostrados como pontos em um espaço n-dimensional (n sendo o número de recursos que você possui). O valor de cada característica é então atribuído a um local específico, simplificando a categorização dos dados. As linhas do classificador podem dividir dados e plotá-los em um gráfico.