Azure Machine Learning tasarımcısı için Machine Learning Algoritması Bilgi Sayfası
Azure Machine Learning Algoritması Bilgi Sayfası, tahmine dayalı analiz modeli için tasarımcıdan doğru algoritmayı seçmenize yardımcı olur.
Not
Tasarım Aracı iki tür bileşeni destekler: klasik önceden oluşturulmuş bileşenler (v1) ve özel bileşenler (v2). Bu iki bileşen türü uyumlu DEĞILDIR.
Klasik önceden oluşturulmuş bileşenler, büyük ölçüde veri işleme ve regresyon ve sınıflandırma gibi geleneksel makine öğrenmesi görevleri için önceden oluşturulmuş bileşenler sağlar. Bu bileşen türü desteklenmeye devam eder ancak yeni bileşen eklenmez.
Özel bileşenler, kendi kodunuzu bileşen olarak sarmalamanıza olanak sağlar. Çalışma alanları arasında bileşenleri paylaşmayı ve Studio, CLI v2 ve SDK v2 arabirimlerinde sorunsuz yazma desteği sunar.
Yeni projeler için, AzureML V2 ile uyumlu olan ve yeni güncelleştirmeleri almaya devam edecek özel bir bileşen kullanmanızı kesinlikle öneririz.
Bu makale klasik önceden oluşturulmuş bileşenler için geçerlidir ve CLI v2 ve SDK v2 ile uyumlu değildir.
Azure Machine Learning sınıflandırma,önerilen sistemler, kümeleme, anomali algılama, regresyon ve metin analizi ailelerinden oluşan büyük bir algoritma kitaplığına sahiptir. Her biri farklı türde bir makine öğrenmesi sorununu ele almak için tasarlanmıştır.
Daha fazla bilgi için bkz. Algoritmaları seçme.
İndir: Machine Learning Algoritması Bilgi Sayfası
Buradaki bilgi sayfasını indirin: Machine Learning Algoritması Bilgi Sayfası (11x17 in.)
Makine Öğrenmesi Algoritması Bilgi Sayfası'nı tabloid boyutunda indirip yazdırarak kullanışlı kalmasını sağlayın ve algoritma seçmeyle ilgili yardım alın.
Machine Learning Algoritması Bilgi Sayfası'nı kullanma
Bu algoritma bilgi sayfasında sunulan öneriler yaklaşık başparmak kurallarıdır. Bazıları bükülebilir ve bazıları bayrakla ihlal edilebilir. Bu bilgi sayfası bir başlangıç noktası önermek için tasarlanmıştır. Verilerinizde çeşitli algoritmalar arasında kafa kafaya bir rekabet yürütmekten korkmayın. Her algoritmanın ilkelerini ve verilerinizi oluşturan sistemin ilkelerini anlamanın bir yerini tutmaz.
Her makine öğrenmesi algoritmasının kendi stili veya endüktif sapması vardır. Belirli bir sorun için birkaç algoritma uygun olabilir ve bir algoritma diğerlerinden daha uygun olabilir. Ama önceden bilmek her zaman mümkün değildir, bu en uygun olandır. Bu gibi durumlarda, birkaç algoritma, bilgi sayfasında birlikte listelenir. Uygun bir strateji bir algoritmayı denemektir ve sonuçlar henüz tatmin edici değilse diğerlerini deneyin.
Azure Machine Learning tasarımcısındaki algoritmalar hakkında daha fazla bilgi edinmek için Algoritma ve bileşen başvurusu'na gidin.
Makine öğrenmesi türleri
Makine öğrenmesinin üç ana kategorisi vardır: denetimli öğrenme, denetimsiz öğrenme ve pekiştirici öğrenme.
Denetimli öğrenme
Denetimli öğrenmede, her veri noktası bir kategori veya ilgi alanı değeriyle etiketlenmiş veya ilişkilidir. Kategorik etikete örnek olarak bir görüntüyü 'kedi' veya 'köpek' olarak atama işlemi gösteriliyor. Bir değer etiketi örneği, kullanılmış bir araba ile ilişkili satış fiyatıdır. Denetimli öğrenmenin amacı, bunlar gibi etiketlenmiş birçok örneği incelemek ve daha sonra gelecekteki veri noktaları hakkında tahminler yapabilmektir. Örneğin, yeni fotoğrafları doğru hayvanla tanımlama veya diğer kullanılmış arabalara doğru satış fiyatları atama. Bu, popüler ve kullanışlı bir makine öğrenmesi türüdür.
Denetimsiz öğrenme
Denetimsiz öğrenmede veri noktalarının bunlarla ilişkili etiketi yoktur. Bunun yerine denetimsiz öğrenme algoritmasının amacı verileri bir şekilde düzenlemek veya yapısını açıklamaktır. Denetimsiz öğrenme, K ortalamalarının yaptığı gibi verileri kümelere ayırır veya karmaşık verilere daha basit görünecek şekilde bakmanın farklı yollarını bulur.
Pekiştirmeye dayalı öğrenme
Pekiştirici öğrenmede algoritma, her veri noktasına yanıt olarak bir eylem seçer. Bir noktadaki algılayıcı okumalarının bir veri noktası olduğu ve algoritmanın robotun bir sonraki eylemini seçmesi gereken robotlarda yaygın bir yaklaşımdır. Nesnelerin İnterneti uygulamaları için de doğal bir uygulamadır. Öğrenme algoritması kısa bir süre sonra bir ödül sinyali de alır ve kararın ne kadar iyi olduğunu gösterir. Bu sinyale bağlı olarak algoritma, en yüksek ödülü elde etmek için stratejisini değiştirir.