Azure Machine Learning tasarımcısı için Makine Öğrenmesi Algoritması Bilgi Sayfası

  • Makale

Azure Machine Learning Algoritması Bilgi Sayfası, tahmine dayalı analiz modeli için tasarımcıdan doğru algoritmayı seçmenize yardımcı olur.

Not

Tasarımcı, klasik önceden oluşturulmuş bileşenler (v1) ve özel bileşenler (v2) olmak üzere iki bileşen türünü destekler. Bu iki bileşen türü UYUMLU DEĞİlDİ.

Klasik önceden oluşturulmuş bileşenler, veri işleme ve regresyon ve sınıflandırma gibi geleneksel makine öğrenmesi görevleri için önceden oluşturulmuş bileşenler sağlar. Bu bileşen türü desteklenmeye devam eder ancak yeni bileşen eklenmez.

Özel bileşenler, kendi kodunuzu bileşen olarak sarmalamanıza olanak sağlar. Çalışma alanları arasında bileşenleri paylaşmayı ve Studio, CLI v2 ve SDK v2 arabirimlerinde sorunsuz yazma desteği sunar.

Yeni projeler için, AzureML V2 ile uyumlu olan ve yeni güncelleştirmeleri almaya devam edecek özel bileşen kullanmanızı kesinlikle öneririz.

Bu makale, cli v2 ve SDK v2 ile uyumlu olmayan klasik önceden oluşturulmuş bileşenler için geçerlidir.

Azure Machine Learning sınıflandırma, öneri sistemleri, kümeleme, anomali algılama, regresyon ve metin analizi ailelerinden oluşan büyük bir algoritma kitaplığına sahiptir. Her biri farklı türde bir makine öğrenmesi sorununu ele almak için tasarlanmıştır.

Daha fazla bilgi için bkz . Algoritmaları seçme.

İndir: Machine Learning Algoritması Bilgi Sayfası

Buradaki bilgi sayfasını indirin: Machine Learning Algoritması Bilgi Sayfası (11x17 in.)

Makine Öğrenmesi Algoritması Bilgi Sayfası: Makine Öğrenmesi algoritması seçmeyi öğrenin.

Makine Öğrenmesi Algoritması Bilgi Sayfası'nı tabloid boyutunda indirip yazdırarak kullanışlı tutun ve algoritma seçmeyle ilgili yardım alın.

Machine Learning Algoritması Bilgi Sayfası'nı kullanma

Bu algoritma bilgi sayfasında sunulan öneriler yaklaşık başparmak kurallarıdır. Bazıları bükülebilir ve bazıları bayraklı bir şekilde ihlal edilebilir. Bu bilgi sayfası bir başlangıç noktası önermek için tasarlanmıştır. Verileriniz üzerinde çeşitli algoritmalar arasında kafa kafaya bir rekabet yürütmekten çekinmeyin. Her algoritmanın ve verilerinizi oluşturan sistemin ilkelerini anlamanın yerini tutmaz.

Her makine öğrenmesi algoritmasının kendi stili veya endüktif yanlılığı vardır. Belirli bir sorun için birkaç algoritma uygun olabilir ve bir algoritma diğerlerinden daha uygun olabilir. Ancak en uygun olanın önceden bilinmesi her zaman mümkün değildir. Bu gibi durumlarda, birkaç algoritma, bilgi sayfasında birlikte listelenir. Uygun bir strateji, bir algoritmayı denemektir ve sonuçlar henüz tatmin edici değilse diğerlerini deneyin.

Azure Machine Learning tasarımcısındaki algoritmalar hakkında daha fazla bilgi edinmek için Algoritma ve bileşen başvurusuna gidin.

Makine öğrenmesi türleri

Makine öğrenmesinin üç ana kategorisi vardır: denetimli öğrenme, denetimsiz öğrenme ve pekiştirici öğrenme.

Denetimli öğrenme

Denetimli öğrenmede, her veri noktası bir kategori veya ilgi çekici değerle etiketlenmiş veya ilişkilidir. Kategorik bir etikete örnek olarak, bir görüntüyü 'kedi' veya 'köpek' olarak atama işlemi gösteriliyor. Bir değer etiketi örneği, kullanılmış bir araba ile ilişkili satış fiyatıdır. Denetimli öğrenmenin amacı, bunlar gibi birçok etiketli örneği incelemek ve ardından gelecekteki veri noktaları hakkında tahminlerde bulunmaktır. Örneğin, yeni fotoğrafları doğru hayvanla tanımlama veya diğer kullanılmış arabalara doğru satış fiyatları atama. Bu, popüler ve kullanışlı bir makine öğrenmesi türüdür.

Denetimsiz öğrenme

Denetimsiz öğrenmede veri noktalarının bunlarla ilişkili etiketi yoktur. Bunun yerine, denetimsiz öğrenme algoritmasının amacı verileri bir şekilde düzenlemek veya yapısını açıklamaktır. Denetimsiz öğrenme, verileri K-ortalamalarının yaptığı gibi kümeler halinde gruplandırıyor veya karmaşık verilere bakarak daha basit görünmesini sağlayan farklı yollar buluyor.

Pekiştirmeye dayalı öğrenme

Pekiştirici öğrenmede algoritma, her veri noktasına yanıt olarak bir eylem seçer. Bir noktadaki algılayıcı okumalarının bir veri noktası olduğu ve algoritmanın robotun bir sonraki eylemini seçmesi gereken robotlarda yaygın bir yaklaşımdır. Nesnelerin İnterneti uygulamaları için de doğal bir uyum sağlar. Öğrenme algoritması ayrıca kısa bir süre sonra kararın ne kadar iyi olduğunu gösteren bir ödül sinyali alır. Bu sinyale bağlı olarak algoritma, en yüksek ödülü elde etmek için stratejisini değiştirir.

Sonraki adımlar