Лист Машинное обучение алгоритм Памятка по для конструктора Машинное обучение AzureMachine Learning Algorithm Cheat Sheet for Azure Machine Learning designer

Лист машинное обучение Azure Algorithm Памятка по позволяет выбрать подходящий алгоритм из конструктора для модели прогнозной аналитики.The Azure Machine Learning Algorithm Cheat Sheet helps you choose the right algorithm from the designer for a predictive analytics model.

Машинное обучение Azure имеет большую библиотеку алгоритмов из семейств Classification _, _рекомендовать системы_, _кластеризации_, _обнаружения аномалий_, _регрессии*_ и _ *Text Analytics**.Azure Machine Learning has a large library of algorithms from the classification _, _recommender systems_, _clustering_, _anomaly detection_, _regression_, and _ text analytics families. Каждое семейство предназначено для решения определенного типа проблем, связанных с машинным обучением.Each is designed to address a different type of machine learning problem.

Дополнительные рекомендации см. в разделе выбор алгоритмов .For additional guidance, see How to select algorithms

Загрузка: лист Памятка по алгоритма Машинное обучениеDownload: Machine Learning Algorithm Cheat Sheet

Скачать можно здесь: Памятка по алгоритмам Машинного обучения Microsoft Azure (27,94 x 43,18 см)Download the cheat sheet here: Machine Learning Algorithm Cheat Sheet (11x17 in.)

Таблица Машинное обучение алгоритма Памятка по: Узнайте, как выбрать алгоритм Машинное обучение.

Скачайте и распечатайте памятку по алгоритмам машинного обучения размером 27,94 x 43,18 см (примерно A3), чтобы вы всегда могли обратиться к ней при выборе алгоритма.Download and print the Machine Learning Algorithm Cheat Sheet in tabloid size to keep it handy and get help choosing an algorithm.

Использование листа Машинное обучение Algorithm Памятка поHow to use the Machine Learning Algorithm Cheat Sheet

Рекомендации, предлагаемые в этой памятке алгоритмов, представляют собой общие правила.The suggestions offered in this algorithm cheat sheet are approximate rules-of-thumb. Некоторые можно приспособить к конкретной ситуации, а некоторые можно грубо нарушать.Some can be bent, and some can be flagrantly violated. Этот лист Памятка по предназначен для предложения отправной точки.This cheat sheet is intended to suggest a starting point. Не бойтесь использовать несколько алгоритмов одновременно при обработке данных.Don’t be afraid to run a head-to-head competition between several algorithms on your data. Для понимания принципов каждого алгоритма и системы, создавшей данные, не нужно заменять.There is simply no substitute for understanding the principles of each algorithm and the system that generated your data.

Каждому алгоритму машинного обучения присущ собственный стиль индуктивного смещения.Every machine learning algorithm has its own style or inductive bias. Для конкретной проблемы может быть уместно несколько алгоритмов, и один алгоритм лучше подогнать по сравнению с другими.For a specific problem, several algorithms may be appropriate, and one algorithm may be a better fit than others. Однако не всегда возможно узнать это заранее.But it's not always possible to know beforehand which is the best fit. В подобных случаях в памятке указано сразу несколько алгоритмов.In cases like these, several algorithms are listed together in the cheat sheet. Лучше всего будет использовать один алгоритм, и если результаты неудовлетворительные, применить другие алгоритмы.An appropriate strategy would be to try one algorithm, and if the results are not yet satisfactory, try the others.

Дополнительные сведения о алгоритмах в Машинное обучение Azure Designer см. в справочнике по алгоритмам и модулям.To learn more about the algorithms in Azure Machine Learning designer, go to the Algorithm and module reference.

Виды машинного обученияKinds of machine learning

Существуют три основные категории машинного обучения: контролируемое, неконтролируемое и обучение с подкреплением.There are three main categories of machine learning: supervised learning, unsupervised learning, and reinforcement learning.

Контролируемое обучениеSupervised learning

В контролируемом обучении каждая точка данных помечается или привязывается к интересующей категории или значению.In supervised learning, each data point is labeled or associated with a category or value of interest. Пример категориальной метки — назначение изображению значения cat или dog.An example of a categorical label is assigning an image as either a ‘cat’ or a ‘dog’. Пример метки значения — цена продажи, связанная с подержанным автомобилем.An example of a value label is the sale price associated with a used car. Цель контролируемого обучения заключается в изучении множества помеченных таким образом примеров, а затем в возможности прогнозирования будущих точек данных.The goal of supervised learning is to study many labeled examples like these, and then to be able to make predictions about future data points. Например, чтобы правильно определить животных для новых фотографий или назначить точные цены продажи для других подержанных автомобилей.For example, identifying new photos with the correct animal or assigning accurate sale prices to other used cars. Это популярный и полезный тип машинного обучения.This is a popular and useful type of machine learning.

Неконтролируемое обучениеUnsupervised learning

При неконтролируемом обучении точкам данных не присваиваются метки.In unsupervised learning, data points have no labels associated with them. Вместо этого цель алгоритма неконтролируемого обучения — определенное упорядочивание данных или описание их структуры.Instead, the goal of an unsupervised learning algorithm is to organize the data in some way or to describe its structure. Неконтролируемые учебные группы извлекаются в кластеры, как K-средние, или находит различные способы просмотра сложных данных, что упрощает их отображение.Unsupervised learning groups data into clusters, as K-means does, or finds different ways of looking at complex data so that it appears simpler.

Обучение с подкреплениемReinforcement learning

В обучении с подкреплением алгоритм выбирает действие в ответ на каждую точку данных.In reinforcement learning, the algorithm gets to choose an action in response to each data point. Это наиболее распространенный подход в робототехнике, где набор показаний датчиков в один момент времени представляет собой точку данных, а алгоритму необходимо выбрать следующее действие робота.It is a common approach in robotics, where the set of sensor readings at one point in time is a data point, and the algorithm must choose the robot’s next action. Кроме того, он естественным образом подходит для приложений из Интернета вещей.It's also a natural fit for Internet of Things applications. Алгоритм обучения также вскоре получает сигнал, оповещающий об успехе, который дает понять, насколько удачно было принято решение.The learning algorithm also receives a reward signal a short time later, indicating how good the decision was. На основе этого сигнала алгоритм изменяет свою стратегию для достижения наивысшей награды.Based on this signal, the algorithm modifies its strategy in order to achieve the highest reward.

Дальнейшие действияNext steps