Какая хорошая первая реализация для обучения машинам?

Question

Я нахожу, что изучение новых тем лучше всего подходит для простой реализации кода, чтобы получить эту идею. Вот как я изучил генетические алгоритмы и генетическое программирование. Что было бы хорошими вводными программами для написания, чтобы начать работу с машинным обучением?

Предпочтительно, чтобы позволить любые ссылочные ресурсы будут доступны в онлайновом режиме, так что сообщество может принести пользу

Answer 1

Я думаю, вы можете написать «Наивный байесовский классификатор» для фильтрации нежелательной почты. Вы можете получить много информации из этой книги.

http://nlp.stanford.edu/IR-book/information-retrieval-book.html

Answer 2

принятия решений. Он часто используется в задачах классификации и имеет много вариантов. Книга Тома Митчелла - хорошая ссылка для ее реализации.

Answer 3

Есть что-то, что называется книгами; Вы знакомы с ними? Когда я исследовал ИИ два десятилетия назад, было много книг. Думаю, теперь, когда Интернет существует, книги являются архаичными, но вы, вероятно, можете найти их в древней библиотеке.

Answer 4

На каких языках вы будете развиваться? Если вы гибкий, я рекомендую Matlab, python и R в качестве хороших кандидатов. Это некоторые из наиболее распространенных языков, используемых для разработки и оценки алгоритмов. Они способствуют быстрой разработке и оценке алгоритмов, обработке данных и визуализации. Большинство популярных алгоритмов ML также доступны в виде библиотек (с источником).

Сначала я хотел бы сосредоточиться на основных упражнениях по классификации и/или кластеризации в R2. Легче визуализировать, и обычно этого достаточно для изучения проблем в ML, таких как риск, дисбаланс классов, шумные ярлыки, онлайн-обучение в автономном режиме и т. Д. Создайте набор данных из повседневной жизни или проблему, которая вас интересует. Или используйте классический, как набор данных Iris, поэтому вы можете сравнить свой прогресс с опубликованной литературой. Вы можете найти множество данных Iris в:

• http://en.wikipedia.org/wiki/Iris_flower_data_set или
• http://archive.ics.uci.edu/ml/datasets/Iris

Одна из его приятных особенностей является то, что он имеет один класс, «setosa», то есть легко линейно разделимы от другие.

Как только вы выберете несколько интересных наборов данных, начните с внедрения некоторых стандартных классификаторов и изучения их производительности. Это хороший краткий перечень классификаторов, чтобы узнать:

• к-ближайших соседей
• линейный дискриминантный анализ
• деревья решений (например, C4.5)
• опорных векторов машины (например, через LibSVM)
• прививка (с пнями)
• наивных байесовского классификатором

Wi й набор данных Iris и один из языков, о котором я упоминаю, вы можете легко выполнить мини-исследование с использованием любого из классификаторов быстро (от нескольких часов до часа, в зависимости от вашей скорости).

Редактировать: Вы можете использовать Google «Классификация данных Iris», чтобы найти множество примеров.Вот классификация демонстрационный документ по Mathworks с использованием набора данных Iris:

http://www.mathworks.com/products/statistics/demos.html?file=/products/demos/shipping/stats/classdemo.html

Answer 5

нейронные сети могут быть проще всего реализовать первый, и они достаточно подробно освещены по всей литературе.