머신러닝에 대해 얼마나 잘 알고 계시나요?

지도 학습

비지도 학습

감독 로직

딥러닝

데이터 예언

감독 로직

비지도 학습

지도 학습

데이터가 센서로부터 수집된 경우

Linux 컴퓨터를 사용하는 경우

데이터 세트가 500GB를 초과하는 경우

유사한 특성을 갖는 대규모의 특징 세트가 있는 경우

온도, 날짜, 시간의 변화와 같은 실수 값을 갖는 응답을 예측합니다

유사도를 기준으로 응답을 그룹으로 군집화하여 패턴을 찾습니다

데이터를 미리 정의된 범주에 할당합니다

예측된 데이터 분류를 데이터의 실제 클래스 레이블과 비교합니다

나이브 베이즈

로지스틱 회귀

신경망

배깅 결정 트리

학습 알고리즘의 성능이 개선되도록 파라미터를 최적화합니다

성능이 개선되도록 모델의 파라미터 세트를 확장합니다

선형 분류기를 나타내는 초평면을 지정합니다

성능이 저하될 정도로 파라미터를 조정합니다

단계적 회귀

이웃 성분 분석

순차적 특징 선택

정규화

예측 정확도 최적화를 위해 특징을 추가하거나 제거하는 특징 선택 기법

데이터를 상호 배타적인 군집으로 분할하는 군집화 기법

데이터 차원 축소를 위한 선형 특징 변환 기법

더 나은 파라미터 세트를 식별하는 예측 기법

예측 모델이 정확하긴 하나 실행하는 데 너무 오래 걸리는 경우

간단한 머신러닝 문제에 강력한 딥러닝 알고리즘을 적용하는 경우

모델이 훈련 데이터에서 더 큰 데이터 세트로 일반화할 수 없는 세부 정보를 학습하는 경우

하이퍼파라미터 조정을 수행하여 성능이 저하되는 경우

혼돈 테이블

예측 플롯

정오분류표

잔차 플롯