تعلم الآلة والتنقيب في البيانات
جزء من سلسلة مقالات حول

مشكلات تصنيف إحصائي تحليل عنقودي تحليل الانحدار اكتشاف الشذوذ تعلم الآلة الآلي تعلم قواعد الارتباط تعليم معزز التوقع المهيكل ^{[الإنجليزية]}‏ هندسة الخصائص تعلم الخصائص تعلم الآلة المستمر التعلم شبه المشرف ^{[الإنجليزية]}‏ تعلم غير مراقب تعلم الدرجة ^{[الإنجليزية]}‏ إدخال القواعد ^{[الإنجليزية]}‏
التعليم بالإشراف تعلم شجرة القرار التعلم الجماعي التقطير ^{[الإنجليزية]}‏ تعزيز غابة عشوائية كي أقرب جار انحدار خطي المصنف بايز ساذج شبكة عصبونية اصطناعية انحدار لوجستي بيرسيبترون آلة المتجهات ذات الصلة ^{[الإنجليزية]}‏ شعاع الدعم الآلي
تحليل عنقودي بيرش خوارزمية كير لتجميع البيانات تجميع هرمي خوارزمية تصنيفية تحقيق أقصى قدر للتوقع (EM) ديبِسكان خوارزمية أوبيتك للتجميع ^{[الإنجليزية]}‏ الانتقال المتوسط
اختزال الأبعاد تحليل عاملي CCA ^{[الإنجليزية]}‏ تحليل المكونات المستقلة تحليل التمييز الخطي NMF ^{[الإنجليزية]}‏ تحليل العنصر الرئيسي PGD ^{[الإنجليزية]}‏ تي-إس إن إي ^{[الإنجليزية]}‏
التوقع المهيكل النموذج الرسومي ^{[الإنجليزية]}‏ شبكة بايزية حقل عشوائي مشروط ^{[الإنجليزية]}‏ نظرية ماركوف المخفية
تشخيص الشذوذ كي أقرب جار عامل الخروج المحلي ^{[الإنجليزية]}‏
الشبكات العصبونية الاصطناعية مرمز تلقائي تعلم متعمق ديب دريم الأجهزة المتعددة الطبقات ^{[الإنجليزية]}‏ RNN LSTM GRU ^{[الإنجليزية]}‏ ESN آلة بولتزمان المحدودة ^{[الإنجليزية]}‏ شبكة خصومية توليدية خريطة ذاتية التنظيم شبكة عصبونية التفافية يو-نت ^{[الإنجليزية]}‏
تعليم معزز التعلم القياسي ^{[الإنجليزية]}‏ SARSA ^{[الإنجليزية]}‏ تعلم الفرق الزمني
النظرية موازنة التحيز والتباين نظرية التعلم الحوسبي تقليل المخاطر التجريبي تعلم أوكام ^{[الإنجليزية]}‏ تعلم باك التعلم الإحصائي ^{[الإنجليزية]}‏ نظرية في سي ^{[الإنجليزية]}‏
أنظمة تعلم الآلة NeurIPS ICML ML JMLR ^{[الإنجليزية]}‏
بوابة تعلم الآلة
ع ن ت

في الإحصائيات والتعلم الآلي، تستخدم أساليب الفرقة خوارزميات تعلم متعددة للحصول على أداء تنبؤي أفضل مما يمكن الحصول عليه من أي خوارزميات التعلم التأسيسية وحدها. ^[1]^[2]^[3] على عكس الفرقة الإحصائية في الميكانيكا الإحصائية، والتي عادة ما تكون لا نهائية، يتكون التعلم الآلي الجماعي من مجموعة محدودة محددة من النماذج البديلة، ولكنها تسمح عادةً بوجود بنية أكثر مرونة بين تلك البدائل.

المراجع

[عدل]

^ Opitz، D.؛ Maclin، R. (1999). "Popular ensemble methods: An empirical study". Journal of Artificial Intelligence Research. ج. 11: 169–198. arXiv:1106.0257. DOI:10.1613/jair.614.
^ Polikar، R. (2006). "Ensemble based systems in decision making". IEEE Circuits and Systems Magazine. ج. 6 ع. 3: 21–45. DOI:10.1109/MCAS.2006.1688199. S2CID:18032543.
^ Rokach، L. (2010). "Ensemble-based classifiers". Artificial Intelligence Review. ج. 33 ع. 1–2: 1–39. DOI:10.1007/s10462-009-9124-7. hdl:11323/1748. S2CID:11149239.