Tebulu ọdịnaya[Zoo][Gosi]
- 1. Kọwaa ọdịiche dị n'etiti mmụta igwe, ọgụgụ isi, na mmụta miri emi.
- 2. Biko kọwaa ụdị mmụta igwe dị iche iche.
- 3. Kedu ihe bụ ọgbaghara na azụmaahịa dị iche?
- 4. Algọridim mmụta igwe etolitela nke ukwuu ka oge na-aga. Kedu otu mmadụ ga-esi ahọrọ algọridim ziri ezi iji were setịpụ data enyere?
- 5. Kedu ka ndakọrịta na mmekọrịta si dị iche?
- 6. N'ịmụ igwe, gịnị ka nchịkọta pụtara?
- 7. Gịnị bụ ọkacha mmasị gị igwe mmụta algọridim?
- 8. Linear Regression na Machine Learning: Gịnị Ka Ọ bụ?
- 9. Kọwaa ọdịiche dị n'etiti KNN na k-pụtara ụyọkọ.
- 10. Gịnị ka “ajọ omume nhọpụta” pụtara nye gị?
- 11. Gịnị kpọmkwem bụ Bayes' Theorem?
- 12. N'ụdị mmụta igwe, kedu ihe bụ 'nhazi ọzụzụ' na 'Nleba ule'?
- 13. Kedu ihe bụ Hypothesis na mmụta igwe?
- 14. Gịnị ka ịmụ ígwè ọrụ gabiga ókè pụtara, oleekwa otú a pụrụ isi gbochie ya?
- 15. Kedu ihe bụ klaasị Naive Bayes?
- 16. Kedu ihe ọrụ ọnụahịa na ọrụ ọnwụ pụtara?
- 17. Kedu ihe na-egosi ọdịiche dị n'ụdị mmepụta na ụdị ịkpa ókè?
- 18. Kọwaa ọdịiche dị n'etiti njehie Ụdị I na Ụdị II.
- 19. N'ịmụ ihe n'igwe, gịnị bụ usoro mmụta nke Ensemble?
- 20. Gịnị kpọmkwem bụ parametric ụdị? Nye ihe atụ.
- 21. Kọwaa nzacha ọnụ. Yana nzacha dabere na ọdịnaya?
- 22. Kedu ihe ị na-ekwu kpọmkwem site na usoro oge?
- 23. Kọwaa ọdịiche dị n'etiti nkwalite gradient na random Forest algọridim.
- 24. Gini mere i ji choro matrix mgbagwoju anya? Kedu ihe ọ bụ?
- 25. Gịnị bụ kpọmkwem ntụle akụkụ ụkpụrụ?
- 26. Gịnị kpatara ntụgharị akụrụngwa ji dị oke mkpa nye PCA (nyocha ihe ndị bụ isi)?
- 27. Kedu ka nhazi na nhazi nke ọma si dị iche na ibe ha?
- 28. Olee otú normalization na standardization si dị iche na ibe?
- 29. Gịnị kpọmkwem ka "ọdịiche onu oriri na-akpata" pụtara?
- 30. Dabere na nha nke ọzụzụ ọzụzụ, kedu ka ị ga-esi ahọrọ classifier?
- 31. Kedu algọridim na mmụta igwe ka a na-akpọ "onye na-amụ ume ume" na gịnị kpatara?
- 32. Gịnị bụ ROC Curve na AUC?
- 33. Gịnị bụ hyperparameters? Kedu ihe na-eme ka ha dị iche site na parampat nlereanya?
- 34. Gịnị ka akara F1, icheta, na nkenke pụtara?
- 35. Gịnị kpọmkwem bụ cross-validation?
- 36. Ka anyị kwuo na ị chọpụtara na ihe nlereanya gị nwere nnukwu ọdịiche. Kedu algọridim, n'echiche gị, kacha dabara adaba iji dozie ọnọdụ a?
- 37. Kedu ihe dị iche na Ridge regression na Lasso regression?
- 38. Kedu ihe dị mkpa: arụmọrụ nlereanya ma ọ bụ izi ezi nlereanya? Kedu otu na gịnị mere ị ga-eji kwado ya?
- 39. Kedu ka ị ga-esi jikwaa dataset na enweghị ahaghị nhata?
- 40. Kedu ka ị ga-esi mara ọdịiche dị n'etiti ịkwalite na akpa?
- 41. Kọwaa ọdịiche dị n'etiti mmụta inductive na deductive.
- mmechi
Azụmahịa na-eji teknụzụ dị egwu, dị ka ọgụgụ isi mmadụ (AI) na mmụta igwe, iji mee ka ndị mmadụ nweta ozi na ọrụ.
Ụlọ ọrụ dị iche iche na-anabata teknụzụ ndị a, gụnyere ụlọ akụ, ego, ịzụ ahịa, nrụpụta na ahụike.
Otu n'ime ọrụ nhazi a na-achọsi ike na-eji AI bụ maka ndị sayensị data, ndị injinia ọgụgụ isi, ndị injinia mmụta igwe, na ndị nyocha data.
Isiokwu a ga-enyere gị aka iche iche ngwa igwe ajụjụ ọnụ ajụjụ ọnụ, site na isi ruo mgbagwoju anya, iji nyere gị aka jikere maka ajụjụ ọ bụla a pụrụ ịjụ gị mgbe ị na-achọ gị ezigbo ọrụ.
1. Kọwaa ọdịiche dị n'etiti mmụta igwe, ọgụgụ isi, na mmụta miri emi.
Ọgụgụ isi na-eji ụdị mmụta igwe dị iche iche na ụzọ mmụta miri emi nke na-enye sistemụ kọmputa ohere ịrụ ọrụ na-eji ọgụgụ isi dị ka mmadụ na mgbagha na iwu.
Ịmụ igwe na-eji ọnụ ọgụgụ dị iche iche na usoro mmụta miri emi iji mee ka ígwè ọrụ nwee ike ịmụta ihe site na ọrụ mbụ ha na-arụ ma ghọọ ndị mara mma n'ịrụ ọrụ ụfọdụ n'onwe ha n'enweghị nlekọta mmadụ.
Mmụta miri emi bụ nchịkọta algọridim nke na-enye ohere ka ngwanro ahụ mụta ihe n'onwe ya ma rụọ ọrụ dị iche iche nke azụmahịa, dị ka njirimara olu na foto.
Sistemu na-ekpughere multilayered ha neural netwọk ruo ọtụtụ data maka mmụta na-enwe ike ime mmụta miri emi.
2. Biko kọwaa ụdị mmụta igwe dị iche iche.
Ịmụ igwe dị n'ụdị atọ dị iche iche sara mbara:
- Ọmụmụ ihe na-elekọta: Ụdị na-emepụta amụma ma ọ bụ ikpe site na iji data akara ma ọ bụ akụkọ ihe mere eme na mmụta igwe na-elekọta. A na-akpọ usoro data nke akara ma ọ bụ akara iji mee ka ihe ha pụtara dị ka data akpọrọ.
- Mmụta anaghị elekọta: Anyị enweghị akara data maka mmụta anaghị elekọta. Na data na-abata, ihe nlereanya nwere ike ịchọta ụkpụrụ, ihe ndị na-adịghị mma, na njikọ.
- Ịmụta nkwalite: Ihe nlereanya nwere ike ịmụta site na iji nkwado mmụta na ụgwọ ọrụ ọ nwetara maka omume mbụ ya.
3. Kedu ihe bụ ọgbaghara na azụmaahịa dị iche?
Ịmebiga ihe ókè bụ ihe na-esi na ya pụta, nke bụ ogo nke ihe nlereanya dabara na data ahụ. Ọ bụ echiche na-ezighi ezi ma ọ bụ dị oke mfe n'ime gị kpatara ajọ mbunobi igwe na-amụ algorithm.
Ọdịiche na-ezo aka na mmejọ nke mgbagwoju anya kpatara na algọridim ML gị, nke na-emepụta nghọta na nnukwu ogo nke iche na data ọzụzụ yana oke.
Ọdịiche bụ etu ihe nlereanya si dị iche dabere na ntinye.
N'ikwu ya n'ụzọ ọzọ, ụdị ndị bụ isi na-akparị oke ma kwụsie ike (ọdịiche dị ala). Ịmafe oke bụ nsogbu na ụdị mgbagwoju anya, n'agbanyeghị na ha na-ejide eziokwu nke ihe nlereanya ahụ (eleghị anya dị ala).
Iji gbochie ma ọdịiche dị elu na nke dị elu, ịzụ ahịa n'etiti ndị na-adịghị mma na ọdịiche dị mkpa maka mbelata njehie kacha mma.
4. Algọridim mmụta igwe etolitela nke ukwuu ka oge na-aga. Kedu otu mmadụ ga-esi ahọrọ algọridim ziri ezi iji were setịpụ data enyere?
Usoro mmụta igwe nke kwesịrị itinye n'ọrụ na-adabere naanị n'ụdị data dị na nhazi data akọwapụtara.
Mgbe data dị n'ahịrị, a na-eji regression linear. Usoro akpa ahụ ga-aka nke ọma ma ọ bụrụ na data egosighi na enweghị usoro. Anyị nwere ike iji osisi mkpebi ma ọ bụ SVM ma ọ bụrụ na a ga-enyocha ma ọ bụ kọwaa data maka ebumnuche azụmahịa.
Netwọk akwara nwere ike ịba uru iji nweta azịza ziri ezi ma ọ bụrụ na ihe ndekọ data gụnyere foto, vidiyo na ọdịyo.
Nhọrọ nke algọridim maka otu ọnọdụ ma ọ bụ nchịkọta data enweghị ike ịme naanị n'otu nha.
Maka ebumnuche nke ịmepụta usoro dabara adaba kacha mma, anyị ga-ebu ụzọ nyochaa data ahụ site na iji nyocha data nyocha (EDA) wee ghọta ebumnuche nke iji dataset.
5. Kedu ka ndakọrịta na mmekọrịta si dị iche?
Covariance na-enyocha ka e si ejikọta ọnụọgụ abụọ na ibe ha yana otu onye nwere ike isi gbanwee na nzaghachi mgbanwe na nke ọzọ.
Ọ bụrụ na nsonaazụ ahụ dị mma, ọ na-egosi na enwere njikọ kpọmkwem n'etiti mgbanwe ndị ahụ na onye ga-ebili ma ọ bụ ibelata na mmụba ma ọ bụ ibelata na mgbanwe isi, na-eche na ọnọdụ ndị ọzọ niile na-adịgide adịgide.
Mmekọrịta na-atụ njikọ dị n'etiti mgbanwe abụọ na-enweghị usoro ma nwee naanị ụkpụrụ atọ dị iche iche: 1, 0, na -1.
6. N'ịmụ igwe, gịnị ka nchịkọta pụtara?
Ụzọ mmụta a na-achịkwaghị achịkwa nke na-atụkọ data ọnụ ọnụ ka a na-akpọ ụyọkọ. Site na nchịkọta data data, enwere ike itinye usoro nchịkọta.
Ị nwere ike ịchịkọta isi data niile dịka ọrụ ha si dị site na iji atụmatụ a.
Atụmatụ na àgwà nke isi ihe data na-adaba n'otu ụdị yiri nke ahụ, ebe ndị nke data data na-adaba na otu dị iche iche dị iche iche.
Enwere ike iji ụzọ a nyochaa data ndekọ ọnụ ọgụgụ.
7. Gịnị bụ ọkacha mmasị gị igwe mmụta algọridim?
Ị nwere ohere igosi mmasị gị na nkà pụrụ iche na ajụjụ a, yana ihe ọmụma gị zuru oke nke ọtụtụ usoro mmụta igwe.
Nke a bụ algọridim mmụta igwe ole na ole ị ga-eche maka:
- Ntughari agha
- Logistic nlọghachi azụ
- Amaghi Bayes
- Mkpebi osisi
- K pụtara
- Algọridim nke ọhịa enweghị usoro
- Onye agbata obi K- kacha nso (KNN)
8. Linear Regression na Machine Learning: Gịnị Ka Ọ bụ?
Algọridim igwe mmụta igwe a na-ahụ maka ya bụ nlọghachị ahịrị.
A na-eji ya na nyocha amụma iji chọpụta njikọ ahịrị n'etiti mgbanwe ndị dabere na ndị nọọrọ onwe ha.
Nhazi regression Linear bụ nke a:
Y = A + BX
ebe:
- Ntinye ma ọ bụ mgbanwe nọọrọ onwe ya ka a na-akpọ X.
- Ngbanwe dabere ma ọ bụ mmepụta bụ Y.
- Ọnụọgụ X bụ b, na nkwụchi ya bụ a.
9. Kọwaa ọdịiche dị n'etiti KNN na k-pụtara ụyọkọ.
Isi ihe dị iche bụ na KNN (usoro nhazi ọkwa, mmụta a na-elekọta) chọrọ isi ihe akpọrọ ebe k-pụtara adịghị (ụyọkọ algọridim, mmụta anaghị elekọta).
Ị nwere ike kewaa data akara n'ime ebe enweghị akara site na iji K-Nearest Neighbors. K-pụtara ụyọkọ na-eji nkezi anya n'etiti isi ihe iji mụta ka esi achịkọta isi ihe na-enweghị akara.
10. Gịnị ka “ajọ omume nhọpụta” pụtara nye gị?
Echiche dị n'usoro nlele nke nnwale bụ n'ihi ezughị oke ọnụ ọgụgụ.
A na-ahọrọ otu ihe atụ ugboro ugboro karịa otu ndị ọzọ na nnwale n'ihi ezighi ezi.
Ọ bụrụ na ekwetaghị nhụsianya nhọrọ ahụ, ọ nwere ike ibute nkwubi okwu na-ezighi ezi.
11. Gịnị kpọmkwem bụ Bayes' Theorem?
Mgbe anyị maara ihe gbasara puru omume ndị ọzọ, anyị nwere ike ikpebi ihe gbasara puru omume site na iji Bayes' Theorem. Ọ na-enye ohere nke azụ nke ihe omume dabere na ozi mbụ, na okwu ndị ọzọ.
Usoro ụda maka ịkọ ihe gbasara puru omume bụ nke a na-enye usoro a.
Mgbe ị na-etolite nsogbu nleba anya amụma nhazi yana dabara n'ụdị na ọzụzụ dataset na igwe mmụta, Bayes' theorem ka etinyere (ie Naive Bayes, Bayes Optimal Classifier).
12. N'ụdị mmụta igwe, kedu ihe bụ 'nhazi ọzụzụ' na 'Nleba ule'?
Ntọala ọzụzụ:
- Usoro ọzụzụ ahụ nwere ihe atụ ndị ezigara na ihe nlereanya maka nyocha na mmụta.
- Nke a bụ data akpọrọ nke a ga-eji zụọ ihe nlereanya.
- Dịka, 70% nke mkpokọta data a na-eji dị ka dataset ọzụzụ.
Nhazi ule:
- A na-eji setịpụ ule iji chọpụta izi ezi nke ọgbọ nke ihe nlereanya.
- Anyị na-anwale enweghị akara data wee jiri akara iji kwado nsonaazụ ya.
- A na-eji 30% fọdụrụnụ dị ka dataset ule.
13. Kedu ihe bụ Hypothesis na mmụta igwe?
Ịmụ igwe na-enyere aka iji datasets dị ugbu a ghọta nke ọma ọrụ enyere na-ejikọta ntinye na mmepụta. A maara nke a dị ka approximation ọrụ.
N'okwu a, a ga-arụ ọrụ nsonye maka ọrụ ebumnuche amaghị ama iji nyefee ihe niile a na-eche n'echiche dabere na ọnọdụ enyere n'ụzọ kacha mma.
N'ịmụ igwe, echiche bụ ihe atụ nke na-enyere aka n'ịtụle ọrụ ebumnuche na imecha maapụ ntinye-na-mpụta kwesịrị ekwesị.
Nhọrọ na nhazi nke algọridim na-enye ohere maka nkọwa nke ohere nke echiche ndị nwere ike ịpụta nke ihe nlereanya.
Maka otu echiche, a na-eji obere obere h (h) eme ihe, mana isi obodo h (H) ka a na-eji maka oghere echiche niile a na-achọ. Anyị ga-enyocha nkọwa ndị a nkenke:
- Echiche (h) bụ ụdị pụrụ iche nke na-eme ka eserese nke ntinye aka na mmepụta, nke enwere ike iji mee ntule na ibu amụma.
- Ntọala hypothesis (H) bụ oghere enwere ike ịchọ nke echiche nke enwere ike iji mee ka eserese ntinye na ntinye. Nhazi okwu, ihe nlere, na nhazi ihe nlereanya bụ ihe atụ ole na ole nke oke oke.
14. Gịnị ka ịmụ ígwè ọrụ gabiga ókè pụtara, oleekwa otú a pụrụ isi gbochie ya?
Mgbe igwe na-anwa ịmụta site na dataset ezughi oke, nfefe na-eme.
N'ihi nke a, a na-ejikọta oke mma na oke data. Usoro nkwenye gafere na-enye ohere ka a zere ịfefe maka obere datasets. A na-ekewa dataset ụzọ abụọ n'ime usoro a.
Ihe ndekọ data maka ule na ọzụzụ ga-enwe akụkụ abụọ a. A na-eji dataset ọzụzụ mepụta ihe nlereanya, ebe a na-eji dataset ule nyocha ihe nlereanya site na iji ntinye dị iche iche.
Nke a bụ otu esi egbochi oke.
15. Kedu ihe bụ klaasị Naive Bayes?
Ụzọ nhazi ọkwa dị iche iche mebere ndị nhazi nke Naive Bayes. Otu usoro algọridim mara dị ka ọkwa ọkwa ndị a niile na-arụ ọrụ n'otu echiche bụ isi.
Echiche sitere n'aka ndị na-agụ akwụkwọ Bayes na-enweghị uche bụ na ọnụnọ ma ọ bụ enweghị ihe ọ bụla nwere mmetụta ọ bụla na ọnụnọ ma ọ bụ enweghị njirimara ọzọ.
N'ikwu ya n'ụzọ ọzọ, nke a bụ ihe anyị na-ezo aka dị ka "naive" ebe ọ na-eme ka a na-eche na njirimara dataset ọ bụla bụ ihe dị ịrịba ama na nnwere onwe.
A na-eme nhazi ọkwa site na iji klaasị Bayes naive. Ha dị mfe iji ma na-arụpụta nsonaazụ dị mma karịa ndị amụma dị mgbagwoju anya mgbe ntọala nnwere onwe bụ eziokwu.
Na nyocha ederede, nzacha spam, na usoro nkwado, a na-arụ ọrụ.
16. Kedu ihe ọrụ ọnụahịa na ọrụ ọnwụ pụtara?
Nkebi ahịrịokwu "ọrụ efu" na-ezo aka na usoro nke ịgbakọ mfu mgbe a na-eburu naanị otu mpempe data.
N'ụzọ megidere nke ahụ, anyị na-eji ọrụ ọnụ ahịa iji chọpụta ngụkọta nke mmejọ maka ọtụtụ data. Ọnweghị nnukwu ọdịiche dị.
N'ikwu ya n'ụzọ ọzọ, ebe ọrụ ọnụ ahịa na-ejikọta ihe dị iche iche maka nchịkọta ọzụzụ ọzụzụ dum, a na-emepụta ọrụ ọnwụ iji weghara ọdịiche dị n'etiti ụkpụrụ n'ezie na nke amụma maka otu ndekọ.
17. Kedu ihe na-egosi ọdịiche dị n'ụdị mmepụta na ụdị ịkpa ókè?
Ụdị ịkpa ókè na-amụta ọdịiche dị n'etiti ọtụtụ edemede data. Model generative na-eburu ụdị data dị iche iche.
Na nsogbu nhazi ọkwa, ụdị ịkpa oke na-akakarị ụdị ndị ọzọ.
18. Kọwaa ọdịiche dị n'etiti njehie Ụdị I na Ụdị II.
Echiche ụgha na-adaba n'okpuru ụdị nke ụdị njehie I, ebe ụgha ụgha na-aga n'okpuru ụdị II njehie (na-ekwu na ọ dịghị ihe mere mgbe ọ nwere n'ezie).
19. N'ịmụ ihe n'igwe, gịnị bụ usoro mmụta nke Ensemble?
Usoro a na-akpọ mmụta ensemble na-agwakọta ọtụtụ ụdị mmụta igwe iji mepụta ụdị dị ike karị.
Ụdị nwere ike ịdị iche iche maka ihe dị iche iche. Ọtụtụ ihe kpatara ya bụ:
- Ndị mmadụ dị iche iche
- Echiche dị iche iche
- Ụdị ụdị dị iche iche
Anyị ga-ezute otu okwu mgbe anyị na-eji ọzụzụ na data nnwale nke ihe nlereanya. Eleghara anya, ọdịiche, na njehie enweghị ike ịkwụsị bụ ụdị mmejọ a nwere ike ime.
Ugbu a, anyị na-akpọ nguzozi a n'etiti nhụsianya na ọdịiche dị na ihe nlereanya a na-ere ahịa na-ezighị ezi, ọ kwesịkwara ịdị adị mgbe niile. A na-arụ ahịa a site na iji mmụta mkpokọta.
Ọ bụ ezie na e nwere ụzọ dị iche iche ensemble dị, e nwere ụzọ abụọ a na-emekarị maka ijikọta ọtụtụ ụdị:
- Ụzọ obodo a na-akpọ akpa na-eji usoro ọzụzụ mepụta usoro ọzụzụ ọzọ.
- Nkwalite, usoro ọkaibe karịa: Dị ka akpa, a na-eji nkwalite iji chọta usoro ịdị arọ kacha mma maka nhazi ọzụzụ.
20. Gịnị kpọmkwem bụ parametric ụdị? Nye ihe atụ.
Enwere oke oke n'ụdị parametric. Iji buo amụma data, naanị ihe ị ga-amata bụ paramita ihe nlereanya ahụ.
Ihe atụ ndị a bụ ihe atụ: nlọghachi azụ azụ azụ, linear regression, na linear SVMs. Ụdị na-abụghị parametric na-agbanwe agbanwe ebe ọ bụ na ha nwere ike ịnwe ọnụọgụ na-akparaghị ókè.
Ihe atụ nke ihe nlereanya na ọnọdụ nke data a hụrụ ka achọrọ maka amụma data. Nke a bụ ụfọdụ ọmụmaatụ: ụdị isiokwu, osisi mkpebi, na ndị agbata obi kacha nso.
21. Kọwaa nzacha ọnụ. Yana nzacha dabere na ọdịnaya?
Ụzọ a nwalere na eziokwu maka ịmepụta ntụnye ọdịnaya ahaziri bụ nzacha ọnụ.
Ụdị usoro nkwanye a na-akpọ nzacha imekọ ihe ọnụ na-ebu amụma ihe ọhụrụ site n'imeziwanye mmasị onye ọrụ na mmasị ndị ọzọ.
Mmasị onye ọrụ bụ naanị ihe sistemụ na-akwado ọdịnaya dabere na-atụle. N'iburu n'uche nhọrọ onye ọrụ buru ụzọ, a na-enye ndụmọdụ ọhụrụ site na ihe metụtara ya.
22. Kedu ihe ị na-ekwu kpọmkwem site na usoro oge?
Usoro oge bụ nchịkọta ọnụọgụgụ n'usoro na-arịgo. N'ime oge a kara aka, ọ na-enyocha mmegharị nke isi data ahọpụtara ma na-ewepụta isi data ahụ kwa oge.
Enweghị ntinye oge kacha nta ma ọ bụ kacha maka usoro oge.
Ndị nyocha na-ejikarị usoro oge nyocha data dịka ihe pụrụ iche chọrọ.
23. Kọwaa ọdịiche dị n'etiti nkwalite gradient na random Forest algọridim.
Ohia Random:
- A na-ejikọta ọnụ ọgụgụ dị ukwuu nke osisi mkpebi ọnụ na njedebe ma mara ya dị ka ọhịa na-enweghị usoro.
- Ọ bụ ezie na nkwalite gradient na-amịpụta osisi ọ bụla n'adabereghị na ndị ọzọ, oke ọhịa na-ewu osisi ọ bụla n'otu oge.
- Multiclass nchọpụta ihe na-arụ ọrụ nke ọma na random ọhịa.
Nkwalite gradient:
- Ọ bụ ezie na oke ọhịa Random na-esonyere osisi mkpebi na njedebe nke usoro a, Gradient Boosting Machines na-ejikọta ha site na mmalite.
- Ọ bụrụ na edoziri paramita nke ọma, mmụba gradient na-aka oke ọhịa na-enweghị usoro na nsonaazụ ya, mana ọ bụghị nhọrọ amamihe dị na ya ma ọ bụrụ na setịpụrụ data nwere ọtụtụ ihe na-apụ apụ, ihe ọjọọ, ma ọ bụ mkpọtụ ebe ọ nwere ike ime ka ihe nlereanya ahụ gafere oke.
- Mgbe enwere data na-ezighi ezi, dịka enwere na ntule ihe egwu dị adị, nkwalite gradient na-arụ ọrụ nke ọma.
24. Gini mere i ji choro matrix mgbagwoju anya? Kedu ihe ọ bụ?
A na-eji tebụl a maara dị ka matrix mgbagwoju anya, nke a na-akpọ mgbe ụfọdụ dị ka matrix njehie, iji gosi nke ọma ka ụdị nhazi ọkwa, ma ọ bụ classifier, si arụ ọrụ na data nyocha nke ejiri mara ezigbo ụkpụrụ.
Ọ na-enyere anyị aka ịhụ ka ihe nlereanya ma ọ bụ algọridim si arụ ọrụ. Ọ na-eme ka ọ dịrị anyị mfe ịhụ nghọtahie n'etiti usoro ọmụmụ dị iche iche.
Ọ na-eje ozi dịka ụzọ iji nyochaa otu esi arụ ọrụ nke ọma ma ọ bụ algọridim.
A chịkọtara amụma ụdị nkewa n'ime matriks mgbagwoju anya. A na-eji ọnụ ọgụgụ akara klaasị ọ bụla mebie mkpokọta amụma ziri ezi na ezighi ezi.
Ọ na-enye nkọwa gbasara mmejọ nke classifier na-eme yana ụdị njehie dị iche iche nke ndị nhazi na-akpata.
25. Gịnị bụ kpọmkwem ntụle akụkụ ụkpụrụ?
Site n'ibelata ọnụ ọgụgụ nke mgbanwe ndị a na-ejikọta na ibe ha, ihe mgbaru ọsọ bụ ibelata akụkụ nke nchịkọta data. Mana ọ dị mkpa idobe ụdị dị iche iche dị ka o kwere mee.
A na-agbanwe mgbanwe ndị ahụ ka ọ bụrụ ụdị mgbanwe dị iche iche a na-akpọ isi components.
PC ndị a bụ orthogonal ebe ọ bụ na ha bụ eigenvectors matrix covariance.
26. Gịnị kpatara ntụgharị akụrụngwa ji dị oke mkpa nye PCA (nyocha ihe ndị bụ isi)?
Ntughari dị oke mkpa na PCA n'ihi na ọ na-eme ka nkewa dị n'etiti ọdịiche dị n'etiti akụrụngwa nke ọ bụla nwetara, na-eme ka nkọwa akụrụngwa dịkwuo mfe.
Anyị na-achọ ihe agbatịkwuru iji kwupụta mgbanwe akụrụngwa ma ọ bụrụ na akụrụngwa anaghị atụgharị.
27. Kedu ka nhazi na nhazi nke ọma si dị iche na ibe ha?
Normalization:
A na-agbanwe data n'oge normalization. Ịkwesịrị ịhazi data ahụ ma ọ bụrụ na ọ nwere akpịrịkpa ndị dị nnọọ iche, karịsịa site na ala ruo elu. Gbanwee kọlụm ọ bụla ka ọnụ ọgụgụ ndị bụ isi wee kwekọọ.
Iji hụ na ọ dịghị nkwụsị nke ziri ezi, nke a nwere ike ịba uru. Ịchọta mgbaàmà mgbe ị na-eleghara mkpọtụ ahụ anya bụ otu n'ime ebumnobi nke ọzụzụ nlereanya.
Enwere ohere nke ịfefe ma ọ bụrụ na enyere ihe nlereanya ahụ njikwa zuru oke iji belata njehie.
Nhazi:
Na nhazi oge, a na-agbanwe ọrụ amụma. Nke a dị n'okpuru nchịkwa ụfọdụ site na nhazigharị, nke na-akwado ọrụ dabara adaba karịa ndị mgbagwoju anya.
28. Olee otú normalization na standardization si dị iche na ibe?
Usoro abụọ a na-ejikarị eme ihe maka nhazi njirimara bụ normalization na nhazi.
Normalization:
- Ịmegharị data ahụ ka ọ dabara n'ogo [0,1] bụ nke a maara dị ka nhazigharị.
- Mgbe parampat niile ga-enwerịrị otu nha dị mma, ịhazigharị ya na-enyere aka, mana mpụta nke setịpụrụ data efuola.
Nhazi:
- A na-emegharị data ka ọ nwee ihe pụtara 0 yana ngbanwe ọkọlọtọ nke 1 dịka akụkụ nke usoro nhazi (iche iche nke otu)
29. Gịnị kpọmkwem ka "ọdịiche onu oriri na-akpata" pụtara?
Ọdịiche nke ihe nlereanya ahụ na ọdịiche nke ihe nlereanya nwere naanị otu mgbanwe nọọrọ onwe ya ka a maara dị ka ihe mgbanwe mgbanwe mgbanwe (VIF).
VIF na-eme atụmatụ ọnụọgụ nke multicollinearity dị na nhazi nke ọtụtụ mgbanwe mgbanwe.
Ọdịiche nke ihe nlere anya (VIF) nwere otu mgbanwe mgbanwe nọọrọ onwe ya
30. Dabere na nha nke ọzụzụ ọzụzụ, kedu ka ị ga-esi ahọrọ classifier?
Ihe nlere anya dị elu, ụdị mgbanwe dị ala na-arụ ọrụ nke ọma maka usoro ọzụzụ dị mkpirikpi ebe ọ bụ na ọ dị obere ka ọ gafefe. Naive Bayes bụ otu ihe atụ.
Iji nọchite anya mkparịta ụka ndị gbagwojuru anya maka nnukwu ọzụzụ ọzụzụ, ihe nlereanya nwere nhụsianya dị ala na nnukwu ọdịiche dị mma. Logistic regression bụ ezi ihe atụ.
31. Kedu algọridim na mmụta igwe ka a na-akpọ "onye na-amụ ume ume" na gịnị kpatara?
Onye mmụta ume ume, KNN bụ igwe mmụta algọridim. N'ihi na K-NN na-agbakọ anya ogologo oge oge ọ bụla ọ chọrọ ịhazi kama ịmụta ụkpụrụ igwe ọ bụla mụtara ma ọ bụ mgbanwe site na data ọzụzụ, ọ na-eburu dataset ọzụzụ n'isi.
Nke a na-eme ka K-NN bụrụ onye mmụta umengwụ.
32. Gịnị bụ ROC Curve na AUC?
Ọkpụkpụ ROC na-anọchi anya arụmọrụ nke ụdị nhazi ọkwa n'ụzọ niile. Ọ nwere ezigbo ọnụego ziri ezi yana njirisi ọnụego ziri ezi ụgha.
N'ikwu ya n'ụzọ dị mfe, a na-akpọ ebe dị n'okpuru ROC curve dị ka AUC (Area Under ROC Curve). A na-atụ mpaghara akụkụ abụọ ROC site na (0,0) ruo AUC (1,1). Maka ịlele ụdị nhazi ọnụọgụ abụọ, a na-arụ ya dị ka ọnụ ọgụgụ arụmọrụ.
33. Gịnị bụ hyperparameters? Kedu ihe na-eme ka ha dị iche site na parampat nlereanya?
A na-akpọ mgbanwe dị n'ime ihe nlereanya ahụ dị ka paramita nlereanya. N'iji data ọzụzụ eme ihe, a na-agbakọ ọnụ ahịa paramita.
Amaghị ihe nlereanya ahụ, hyperparameter bụ mgbanwe. Enweghị ike ikpebi uru ahụ site na data, yabụ a na-ejikarị ha arụ ọrụ iji gbakọọ paramita ụdị.
34. Gịnị ka akara F1, icheta, na nkenke pụtara?
Usoro mgbagwoju anya bụ metrik ejiri rụọ ọrụ iji tụọ arụmọrụ nke ụdị nhazi ọkwa. Enwere ike iji akpaokwu ndị a ka ọ ka mma kọwa metric mgbagwoju anya:
TP: Ezi ihe dị mma - Ndị a bụ ụkpụrụ dị mma nke a tụrụ anya nke ọma. Ọ na-atụ aro na ụkpụrụ nke klaasị atumatu na klaasị ahụ dị mma.
TN: Ezi Negatives - Ndị a bụ ụkpụrụ ọjọọ ndị e buru amụma nke ọma. Ọ na-atụ aro na ma uru nke klaasị n'ezie na klaasị a na-atụ anya adịghị mma.
Ụkpụrụ ndị a—ihe adịgboroja na ihe ọjọọ ụgha—na-eme mgbe klas gị n'ezie dị iche na klaasị a tụrụ anya ya.
ugbu a,
A na-akpọ oke nke ezi ọnụego ziri ezi (TP) na nlebanya niile emere na klaasị n'ezie, nke a makwaara dị ka uche.
Ncheta bụ TP/(TP+FN).
Nkenkenke bụ ihe nleba anya nke uru amụma dị mma, nke na-atụnyere ọnụọgụ nke ihe nlereanya ahụ na-ebu amụma n'ezie na ọnụọgụ ziri ezi ọ na-ebu amụma nke ọma.
Nkenkenke bụ TP/(TP + FP)
Metrik arụmọrụ kachasị mfe nghọta bụ izi ezi, nke bụ naanị oke nke nleba anya buru amụma nke ọma na nlebanya niile.
Izi ezi nhata na (TP+TN)/(TP+FP+FN+TN).
A na-atụnye nkenke na ncheta na nkezi iji nye akara F1. N'ihi ya, akara a na-atụle ma ihe na-ezighị ezi na ihe ọjọọ.
F1 na-abakarị uru karịa izi ezi, ọkachasị ma ọ bụrụ na ị nwere nkesa klaasị na-ahaghị nhata, ọbụlagodi na n'uche ọ naghị adị mfe nghọta ka izi ezi.
A na-enweta izi ezi kachasị mma mgbe ọnụ ahịa nke ụgha na-ezighị ezi na-atụnyere. Ọ ka mma ịtinye ma Precision na Ncheta ma ọ bụrụ na ọnụ ahịa jikọtara ya na ihe adịgboroja na ihe ọjọọ dị iche iche.
35. Gịnị kpọmkwem bụ cross-validation?
Ụzọ mweghachi nke mgbakọ na mwepụ nke a na-akpọ cross-validation in machine learning na-eji ọtụtụ ntinye dataset iji zụọ ma nyochaa igwe mmụta algọridim n'ọtụtụ agba.
A na-anwale ogbe data ọhụrụ nke ejighị zụọ ihe nlereanya ahụ site na iji nkwenye iji hụ ka ihe nlereanya ahụ si buru amụma ya nke ọma. A na-egbochi ịfefe data site na nkwado ndabere.
K-npịaji Ụzọ nlegharị anya nke a na-ejikarị ekewa na-ekewa mkpokọta data n'ime K nke nha nha nha. A na-akpọ ya cross-validation.
36. Ka anyị kwuo na ị chọpụtara na ihe nlereanya gị nwere nnukwu ọdịiche. Kedu algọridim, n'echiche gị, kacha dabara adaba iji dozie ọnọdụ a?
Ijikwa oke mgbanwe
Anyị kwesịrị iji usoro akpa akpa maka nsogbu nwere nnukwu ọdịiche.
Akpa algọridim ga-eji nlele data ugboro ugboro iji kesaa data ahụ n'ime obere obere. Ozugbo e kewara data ahụ, anyị nwere ike iji data na-enweghị usoro na usoro ọzụzụ a kapịrị ọnụ iji mepụta iwu.
Mgbe nke ahụ gasịrị, enwere ike iji ntuli aka ijikọ amụma ihe nlereanya.
37. Kedu ihe dị iche na Ridge regression na Lasso regression?
Ụzọ ugboro abụọ a na-ejikarị eme ihe bụ Lasso (nke a na-akpọ L1) na Ridge (mgbe ụfọdụ a na-akpọ L2) nlọghachi azụ. A na-eji ha egbochi oke data.
Iji chọpụta ihe ngwọta kachasị mma ma belata mgbagwoju anya, a na-eji usoro ndị a iji taa ọnụọgụgụ ahụhụ. Site n'ịkwụsị ngụkọta nke ụkpụrụ zuru oke nke ọnụọgụgụ, nlọghachi Lasso na-arụ ọrụ.
Ọrụ ntaramahụhụ na Ridge ma ọ bụ L2 regression sitere na nchikota nke square nke ọnụọgụgụ.
38. Kedu ihe dị mkpa: arụmọrụ nlereanya ma ọ bụ izi ezi nlereanya? Kedu otu na gịnị mere ị ga-eji kwado ya?
Nke a bụ ajụjụ aghụghọ, yabụ mmadụ kwesịrị ibu ụzọ ghọta ihe arụmọrụ Model bụ. Ọ bụrụ na akọwara arụmọrụ dị ka ọsọ, mgbe ahụ ọ na-adabere n'ụdị ngwa; ngwa ọ bụla metụtara ọnọdụ dị adị n'ezie ga-achọ nnukwu ọsọ dị ka akụkụ dị mkpa.
Dịka ọmụmaatụ, nsonaazụ ọchụchọ kacha mma ga-aba uru ma ọ bụrụ na nsonaazụ ajụjụ na-ewe ogologo oge iji rute.
Ọ bụrụ na a na-eji arụmọrụ eme ihe dị ka ihe ziri ezi maka ihe kpatara nkenke na icheta kwesịrị isi na-ebute ụzọ karịa izi ezi, mgbe ahụ, akara F1 ga-aba uru karịa izi ezi n'igosipụta ikpe azụmahịa maka ihe ọ bụla data setịpụrụ na-enweghị isi.
39. Kedu ka ị ga-esi jikwaa dataset na enweghị ahaghị nhata?
Ihe ndekọ data na-ezighi ezi nwere ike irite uru na usoro nlele. Enwere ike ịme nlele n'ụdị dị n'okpuru ma ọ bụ karịa.
N'okpuru sampling na-enye anyị ohere ibelata nha nke klaasị ka ọ dabara na klaasị pere mpe, nke na-enyere aka ịbawanye ọsọ n'ihe gbasara nchekwa na igbu oge mana ọ nwekwara ike bute ọnwụ nke data bara uru.
Iji dozie nsogbu nke mfu ozi nke nleba anya na-akpata, anyị na-ebuli klaasị nke pere mpe; ka o sina dị, nke a na-eme ka anyị banye n'ime nsogbu ndị na-adaba adaba.
Atụmatụ ndị ọzọ gụnyere:
- Ụyọkọ dabere n'ihe nlere anya- Obere na ọtụtụ klaasị bụ ndị edobere n'otu n'otu na usoro nchịkọta K-pụtara n'ọnọdụ a. Emere nke a iji chọta ụyọkọ dataset. Mgbe ahụ, a na-atụkọta ụyọkọ nke ọ bụla ka klaasị niile nwee otu nha na ụyọkọ niile dị na klaasị nwere nha nha nha.
- SMOTE: Synthetic Minority Over-Sampling Technique- A na-eji iberi data sitere na klaasị pere mpe dị ka ihe atụ, emesia a na-emepụta ihe ndị ọzọ arụrụ arụ na-atụnyere ya ma tinye ya na dataset mbụ. Usoro a na-arụ ọrụ nke ọma na isi data ọnụọgụ.
40. Kedu ka ị ga-esi mara ọdịiche dị n'etiti ịkwalite na akpa?
Usoro nhazi nwere ụdị mara dị ka akpa na ịkwalite.
Akpa -
Maka algọridim nwere nnukwu mgbanwe dị elu, akpa bụ usoro eji eme ka ọ dị ala. Otu ezinụlọ dị otú ahụ nke classifiers nke na-enwekarị mmasị bụ ezinụlọ mkpebi.
Ụdị data nke a na-azụ osisi mkpebi nwere mmetụta dị ukwuu na arụmọrụ ha. N'ihi nke a, ọbụlagodi n'iji nlezigharị nke ọma dị elu, nchịkọta nke nsonaazụ na-adịkarị ike mgbe ụfọdụ ị nweta n'ime ha.
Ọ bụrụ na agbanweela data ọzụzụ osisi mkpebi, nsonaazụ ya na-adịgasị iche.
N'ihi ya, a na-eji akpa akpa, nke a na-emepụta ọtụtụ osisi mkpebi, nke ọ bụla a na-azụ site na iji ihe nlele nke data mbụ, na njedebe bụ nkezi nke ụdị ndị a niile dị iche iche.
Na-akwalite:
Nkwalite bụ usoro nke iji usoro nhazi ọkwa n-adịghị ike mee amụma nke onye ọ bụla na-adịghị ike na-eme ka erughị eru nke ọkwa ọkwa ya siri ike. Anyị na-ezo aka na nhazi ọkwa nke na-eme nke ọma na data enyere dị ka "nchịkọta adịghị ike."
O doro anya na nkwalite bụ usoro karịa algọridim. Ntughari mgbagha na osisi mkpebi na-emighị emi bụ ihe atụ nkịtị nke ọkwa ọkwa adịghị ike.
Adaboost, Gradient Boosting, na XGBoost bụ algọridim nkwalite abụọ kachasị ewu ewu, agbanyeghị, enwere ọtụtụ ndị ọzọ.
41. Kọwaa ọdịiche dị n'etiti mmụta inductive na deductive.
Mgbe ị na-amụta site na ihe atụ site na usoro ihe atụ a hụrụ, ihe nlereanya na-eji mmụta inductive iji ruo nkwubi okwu n'ozuzu ya. N'aka nke ọzọ, na mmụta deductive, ihe nlereanya na-eji ya pụta tupu akpụ nke ya.
Nmụta inductive bụ usoro nke ịbịaru nkwubi okwu site na nlebanya.
Ịmụ ihe na-apụ apụ bụ usoro nke ịmepụta nleba anya dabere na ntinye aka.
mmechi
Daalụ! Ndị a bụ ajụjụ ajụjụ ọnụ 40 na karịa maka mmụta igwe nke ị maara azịza ya ugbu a. Sayensị data na Amamịghe echiche ọrụ ga-anọgide na-achọ ka teknụzụ na-aga n'ihu.
Ndị ndoro-ndoro ochichi nke na-emelite ihe ọmụma ha banyere teknụzụ ndị a dị oke ọnụ ma kwalite nkà ha nwere ike ịchọta ohere ọrụ dịgasị iche iche site na ịkwụ ụgwọ asọmpi.
Ị nwere ike ịga n'ihu na ịza ajụjụ ọnụ ugbu a na ị nwere nghọta siri ike maka otu esi azaghachi ụfọdụ ajụjụ ajụjụ ọnụ mmụta igwe a na-ajụ.
Dabere na ebumnuche gị, mee usoro a. Kwadebe maka ajụjụ ọnụ site na ịga na Hashdork Usoro ajụjụ ọnụ.
Nkume a-aza