Промышленные автоматизированные системы /Automation of construction production and building materials industry

Гиперпараметры — это параметры модели, которые задаются перед обучением и влияют на производительность модели, но не могут быть извлечены из данных. Пример: гиперпараметры включают скорость

Регуляризация— это метод, используемый для предотвращения переобучения путем добавления штрафного члена к функции потерь модели, которая препятствует использованию сложных или экстремальных значений параметров. Пример. Регуляризация

Смешанная модель Гаусса (GMM) — это тип вероятностной модели, в которой предполагается, что точки данных генерируются смесью распределений Гаусса, и учится оценивать параметры этих распределений.

Алгоритм байесовский наивный — это вероятностный алгоритм, использующий теорему Байеса для прогнозирования вероятности того, что точка данных принадлежит определенному классу, на основе вероятностей ее признаков.

Кластеризация K-средних — это тип алгоритма обучения без учителя, который разбивает набор данных на K кластеров путем минимизации суммы квадратов расстояний между точками данных и

Повышение градиента — это метод ансамблевого обучения, который объединяет несколько слабых моделей для создания более надежной модели путем последовательной корректировки весов неправильно классифицированных образцов. Пример.

Лес случайный — это ансамблевый метод обучения, который объединяет несколько деревьев решений для повышения производительности и уменьшения переобучения. Пример. Случайный лес используется в системах предсказания

Автоэнкодер — это тип нейронной сети, которая учится сжимать и восстанавливать данные, заставляя выходные данные соответствовать входным. Пример: Автоэнкодер используется для шумоподавления изображения, обнаружения аномалий

Регрессия — это тип задачи машинного обучения, целью которой является прогнозирование непрерывного значения для заданной точки входных данных. Пример. Регрессия используется для прогнозирования цен на

Обучение полууправляемое — это тип машинного обучения, при котором модель обучается как на размеченных, так и на неразмеченных данных для повышения производительности. Пример: полууправляемое обучение