Machine learning
Садржи огласе
4,8star
121 рецензија
10 хиљ.+
Преузимања
Сви
info
О овој апликацији
учење машина је поље рачунарства које даје рачунарским системима способност да "уче" (то јест, прогресивно побољшање перформанси на одређени задатак) са подацима, без експлицитно програмирани.
Учење име машина је сковао је 1959. године од стране Артхур Самуел. Еволуирао из студије препознавање облика и рачунарске теорије учења у вештачкој интелигенцији, учење машина истражује студију и изградњу алгоритама који могу да уче из и чине предвиђања о подацима - такви алгоритми Оверцоме након строго статичке програмских инструкција тако што подацима погон предвиђања и одлуке , 2 изградњом модел из узорака улаза. учење машина је запослен у распону од рачунарске задатке где пројектовање и програмирање експлицитне алгоритме са добрим перформансама је тешко или неизводљиво; Пример апликације укључују е филтрирање, детекцију мрежних уљеза или злонамерних инсајдера који раде на кршењу података, оптичко препознавање знакова (ОЦР), учење на чин, и компјутерске визије.
учење машина је уско повезан са (и често преплиће са) рачунских статистике, који се фокусира на предвиђање одлука кроз употребу рачунара. Има јаке везе са оптимизација, која испоручује методе, теорију и праксу домене на терен. учење машина је понекад измешан са дата мининг, где је други потпоља фокусира више на истраживачком анализу података и познат је као без надзора учење. учење ВИИ машина може бити под надзором и да се користи за учење и успостави основне понашања профили за различите субјекте и онда се користе да пронађу смислене аномалије.
У области аналитике података, учење машина је метод који се користи за осмишљавање сложене моделе и алгоритме који су погодни за предвиђање; у комерцијалној употреби, ово је познато као предиктивну аналитику. Ови аналитички модели омогућавају истраживачи, научници података, инжењери и аналитичари у "поуздане, поновити одлуке и резултате" и открити "скривене погледе" кроз учење из историјских односа и трендова у подацима.
Ефективно учење машина је тешко, јер проналажење образаца је тежак и често није довољно података за обуку су доступни као резултат тога, програми за машинско учење често не успевају да испоручи.
Учење име машина је сковао је 1959. године од стране Артхур Самуел. Еволуирао из студије препознавање облика и рачунарске теорије учења у вештачкој интелигенцији, учење машина истражује студију и изградњу алгоритама који могу да уче из и чине предвиђања о подацима - такви алгоритми Оверцоме након строго статичке програмских инструкција тако што подацима погон предвиђања и одлуке , 2 изградњом модел из узорака улаза. учење машина је запослен у распону од рачунарске задатке где пројектовање и програмирање експлицитне алгоритме са добрим перформансама је тешко или неизводљиво; Пример апликације укључују е филтрирање, детекцију мрежних уљеза или злонамерних инсајдера који раде на кршењу података, оптичко препознавање знакова (ОЦР), учење на чин, и компјутерске визије.
учење машина је уско повезан са (и често преплиће са) рачунских статистике, који се фокусира на предвиђање одлука кроз употребу рачунара. Има јаке везе са оптимизација, која испоручује методе, теорију и праксу домене на терен. учење машина је понекад измешан са дата мининг, где је други потпоља фокусира више на истраживачком анализу података и познат је као без надзора учење. учење ВИИ машина може бити под надзором и да се користи за учење и успостави основне понашања профили за различите субјекте и онда се користе да пронађу смислене аномалије.
У области аналитике података, учење машина је метод који се користи за осмишљавање сложене моделе и алгоритме који су погодни за предвиђање; у комерцијалној употреби, ово је познато као предиктивну аналитику. Ови аналитички модели омогућавају истраживачи, научници података, инжењери и аналитичари у "поуздане, поновити одлуке и резултате" и открити "скривене погледе" кроз учење из историјских односа и трендова у подацима.
Ефективно учење машина је тешко, јер проналажење образаца је тежак и често није довољно података за обуку су доступни као резултат тога, програми за машинско учење често не успевају да испоручи.
Ажурирано:
Предуслов безбедности је да разумете како програмери прикупљају и деле ваше податке. Праксе за приватност и безбедност података могу да се разликују у зависности од коришћења, региона и узраста. Програмер је пружио те информације и може да их ажурира током времена.
Ова апликација може да дели ове типове података са трећим странама
Локација, Активности у апликацијама и још 2
Нема прикупљених података
Сазнајте више о томе како програмери објављују прикупљање
Подаци се шифрују током преноса
Подаци не могу да се бришу
Оцене и рецензије
4,8
119 рецензија
