Folha de batota de algoritmo de aprendizagem de máquina para designer de aprendizagem de máquinas Azure

A Folha de Batota do Algoritmo de Aprendizagem de Máquinas Azure ajuda-o a escolher o algoritmo certo do designer para um modelo de análise preditiva.

A Azure Machine Learning tem uma grande biblioteca de algoritmos da classificação* _, sistemas recomendadores, clustering, deteção de anomalias, regressão e _ análise de texto* famílias. Cada um deles é projetado para resolver um tipo diferente de problema de aprendizagem automática.

Para obter orientação adicional, consulte Como selecionar algoritmos

Download: Machine Learning Algorithm Cheat Sheet

Descarregue aqui a folha de batota: Machine Learning Algorithm Cheat Sheet (11x17 in.)

Machine Learning Algorithm Cheat Sheet: Saiba como escolher um algoritmo de aprendizagem automática.

Descarregue e imprima a Folha de Batota do Algoritmo de Aprendizagem automática em tamanho tabloide para mantê-la à mão e obter ajuda para escolher um algoritmo.

Como usar a folha de batota do algoritmo de aprendizagem automática

As sugestões oferecidas nesta folha de batota de algoritmo são regras aproximadas do polegar. Alguns podem ser dobrados, e outros podem ser flagrantemente violados. Esta folha de batota destina-se a sugerir um ponto de partida. Não tenha medo de fazer uma competição frente a frente entre vários algoritmos nos seus dados. Simplesmente não há substituto para a compreensão dos princípios de cada algoritmo e do sistema que gerou os seus dados.

Cada algoritmo de aprendizagem automática tem o seu próprio estilo ou viés indutivo. Para um problema específico, vários algoritmos podem ser apropriados, e um algoritmo pode ser melhor do que outros. Mas nem sempre é possível saber de antemão qual é o melhor encaixe. Em casos como este, vários algoritmos estão listados juntos na folha de batota. Uma estratégia apropriada seria tentar um algoritmo, e se os resultados ainda não forem satisfatórios, tente os outros.

Para saber mais sobre os algoritmos no designer de Aprendizagem automática Azure, vá ao Algoritmo e à referência do módulo.

Tipos de aprendizagem automática

Existem três categorias principais de aprendizagem automática: aprendizagem supervisionada, aprendizagem sem supervisão e aprendizagem de reforço.

Aprendizagem supervisionada

Na aprendizagem supervisionada, cada ponto de dados é rotulado ou associado a uma categoria ou valor de interesse. Um exemplo de um rótulo categórico é atribuir uma imagem como um 'gato' ou um 'cão'. Um exemplo de uma etiqueta de valor é o preço de venda associado a um carro usado. O objetivo da aprendizagem supervisionada é estudar muitos exemplos rotulados como estes, e depois ser capaz de fazer previsões sobre futuros pontos de dados. Por exemplo, identificar novas fotos com o animal correto ou atribuir preços precisos de venda a outros carros usados. Este é um tipo popular e útil de aprendizagem automática.

Aprendizagem não supervisionada

Na aprendizagem não supervisionada, os pontos de dados não têm rótulos associados a eles. Em vez disso, o objetivo de um algoritmo de aprendizagem não supervisionado é organizar os dados de alguma forma ou descrever a sua estrutura. A aprendizagem não supervisionada agrupa dados em clusters, como o K-significa, ou encontra diferentes formas de olhar para dados complexos para que pareça mais simples.

Aprendizagem por reforço

Na aprendizagem de reforço, o algoritmo pode escolher uma ação em resposta a cada ponto de dados. É uma abordagem comum na robótica, onde o conjunto de leituras de sensores em um ponto do tempo é um ponto de dados, e o algoritmo deve escolher a próxima ação do robô. É também um ajuste natural para aplicações de Internet das Coisas. O algoritmo de aprendizagem também recebe um sinal de recompensa pouco tempo depois, indicando o quão boa foi a decisão. Com base neste sinal, o algoritmo modifica a sua estratégia para obter a maior recompensa.

Passos seguintes