خانه / علم داده / آموزش و راهنمایی / آشنایی با الگوریتم های ضروری یادگیری ماشین – بخش دوم : فهرست الگوریتم ها
iStock_000015894884_Double-1024x652

آشنایی با الگوریتم های ضروری یادگیری ماشین – بخش دوم : فهرست الگوریتم ها

الگوریتمهای مختلفی در حوزه یادگیری ماشین و هوش مصنوعی در سالهای اخیر ایجاد یا بهبود یافته اند که برای هر فردی که قصد کار حرفه ای در این حوزه را دارد، آشنایی و تسلط بر آنها و مفاهیم پایه هر کدام و نیز استفاده از آنها در کاربردهای عملی، جزء ضروریات است . سایت مهندسی داده ، اخیراً شروع به نشر مقالاتی در توضیح این الگوریتم ها و نمونه کدهای پایتون و R برای هر کدام نموده است که در بخش اول این مجموعه از مقالات به بررسی دسته بندی کلی این الگوریتم ها پرداختیم و برای اینکه یک مرجعی از الگوریتم های لازم را برای علاقه مندان و محققین ایجاد کنیم ، تصمیم گرفتیم در بخش دوم این مجموعه، الگوریتمهای اصلی یادگیری ماشین را فهرست کنیم .

در سال ۲۰۰۷ یک مقاله با عنوان ده الگوریتم برتر حوزه داده کاوی در دنیا توسط دانشگاه ورمونت مطرح شد که نسخه فارسی شده (دانلود)و حتی آماده انتشار به صورت کتاب آنرا هم در ایران داریم .

الگوریتم هایی که با رنگ سبز مشخص شده اند، در سایت مهندسی داده، آموزش داده شده اند

این ده الگوریتم عبارتند از :

در سال ۲۰۱۱، در سایت پرسش و پاسخ معروف Qura در پاسخ به سوالی که ده الگوریتم برتر داده کاوی را پرسیده بود، موارد زیر توسط کاربران برشمرده شده اند :

  1. Kernel Density Estimation and Non-parametric Bayes Classifier
  2. K-Means
  3. Kernel Principal Components Analysis
  4. Linear Regression
  5. Neighbors (Nearest, Farthest, Range, k, Classification)
  6. Non-Negative Matrix Factorization
  7. Dimensionality Reduction
  8. Fast Singular Value Decomposition
  9. Decision Tree
  10. Bootstapped SVM
  11. Decision Tree
  12. Gaussian Processes
  13. Logistic Regression
  14. Logit Boost
  15. Model Tree
  16. Naïve Bayes
  17. Nearest Neighbors
  18. PLS
  19. Random Forest
  20. Ridge Regression
  21. Support Vector Machine
  22. Classification: logistic regression, naïve bayes, SVM, decision tree
  23. Regression: multiple regression, SVM
  24. Attribute importance: MDL
  25. Anomaly detection: one-class SVM
  26. Clustering: k-means, orthogonal partitioning
  27. Association: A Priori
  28. Feature extraction: NNMF

و در سال ۲۰۱۵ این لیست به صورت زیر در آمده است :

  1. Linear regression
  2. Logistic regression
  3. k-means
  4. SVMs
  5. Random Forests
  6. Matrix Factorization/SVD
  7. Gradient Boosted Decision Trees/Machines
  8. Naive Bayes
  9. Artificial Neural Networks
  10. For the last one I’d let you pick one of the following:
  11. Bayesian Networks
  12. Elastic Nets
  13. Any other clustering algo besides k-means
  14. LDA
  15. Conditional Random Fields
  16. HDPs or other Bayesian non-parametric model

سعی خواهیم کرد که تا چند ماه آتی ، تمامی این الگوریتم ها را با مثالها و نقاط ضعف و قوت و نیز نمونه کدهای لازم در این سایت بررسی کنیم.

پی نوشت :

سایت DataFloq اخیراً یک طبقه بندی گرافیکی از الگوریتم های ضروری یادگیری ماشین ارائه کرده است که به صورت طبقه بندی شده ، این الگوریتم ها را فهرست کرده است :

12-algorithms-every-data-scientist-should-know

این طبقه بندی را به صورت نقشه ذهن یا Mind Map هم می توانیم مشاهده کنیم :

machinelearningalgorithms

۲ نظرات

  1. سلام

    مقاله خوبی بود

    واقعا ممونم بابت مطالب عالی سایتتون

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Time limit is exhausted. Please reload CAPTCHA.