Metody strojového učení
NG1Obecný postup strojového učení zahrnuje volbu výpočetního modelu pro řešení dané úlohy, jehož parametry poté učíme ve fázi trénování modelu. Témata v této kapitole podrobněji představují několik modelů, které se ve strojovém učení často využívají:
- lineární modely – určují výstup pomocí lineární funkce
- rozhodovací stromy – určují výstup pomocí řady podmínek
- neuronové sítě – kombinují velké množství jednoduchých funkcí (tzv. neuronů)
- pravděpodobnostní modely – pracují s nejistotou (např. Naivní Bayesův klasifikátor)
Rozhodovačka
Rychlé procvičování výběrem ze dvou možností.
Lineární regrese (lehké)
zadání: 41
Typicky zabere: 5 min

Lineární regrese (střední)
zadání: 50
Typicky zabere: 5 min

Lineární regrese (těžké)
zadání: 50
Typicky zabere: 5 min

Rozhodovací stromy (lehké)
zadání: 39
Typicky zabere: 7 min

Rozhodovací stromy (střední)
zadání: 53
Typicky zabere: 6 min

Rozhodovací stromy (těžké)
zadání: 49
Typicky zabere: 5 min

Neuronové sítě (lehké)
zadání: 47
Typicky zabere: 3 min

Neuronové sítě (střední)
zadání: 80
Typicky zabere: 5 min

Neuronové sítě (těžké)
zadání: 85
Typicky zabere: 5 min

Pravděpodobnost ve strojovém učení (střední)
zadání: 47
Typicky zabere: 5 min

Pravděpodobnost ve strojovém učení (těžké)
zadání: 50
Typicky zabere: 5 min

Metody strojového učení: mix (lehké)
zadání: 127
Typicky zabere: 5 min

Metody strojového učení: mix (střední)
zadání: 230
Typicky zabere: 5 min

Metody strojového učení: mix (těžké)
zadání: 234
Typicky zabere: 5 min
