Algorytmy stosowane w uczeniu maszynowym

• Autorzy: Bryniarska, Anna , Lewiński, Andrzej , Markiewicz, Adrian , Noworolski, Kamil , Oleksik, Rafał , Szczęśniak, Patryk

Warianty tytułu

EN

Algorithms used in machine learing

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono popularne algorytmy uczenia nadzorowanego i nienadzorowanego obecnie stosowane w uczeniu maszynowym. W dalszej części artykułu zostały krótko opisane następujące algorytmy: regresja liniowa, regresja logistyczna, drzewa decyzyjne, naiwny klasyfikator bayesowski, maszyna wektorów nośnych, adaboost, wzmacnianie gradientowe drzew, algorytm centroidów, model mikstur gaussowskich, grupowanie hierarchiczne, system rekomendacyjny oraz pca/t-sne.

EN

The article presents popular supervised and unsupervised learning algorithms currently used in machine learning. The following algorithms are briefly described below: linear regression, logistic regression, decision trees, naive Bayes classifier, carrier vector machine, adaboost, tree gradient enhancement, centroid algorithm, Gaussian mixture model, hierarchical grouping, recommendation pca/t systems.

• Czasopismo: Zeszyty Naukowe. Informatyka / Politechnika Opolska
• Rocznik: 2020
• Tom: vol. 371, z. 4
• Strony: 17--28
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Bryniarska, Anna

• Wydział Elektrotechniki, Automatyki i Informatyki Instytut Informatyki

autor

Lewiński, Andrzej

• Wydział Elektrotechniki, Automatyki i Informatyki Instytut Informatyki

autor

Markiewicz, Adrian

• Wydział Elektrotechniki, Automatyki i Informatyki Instytut Informatyki

autor

Noworolski, Kamil

• Wydział Elektrotechniki, Automatyki i Informatyki Instytut Informatyki

autor

Oleksik, Rafał

• Wydział Elektrotechniki, Automatyki i Informatyki Instytut Informatyki

autor

Szczęśniak, Patryk

• Wydział Elektrotechniki, Automatyki i Informatyki Instytut Informatyki

Bibliografia

• [1] DELLAERT F: The Expectation Maximization Algorithm, GVU Center, College of Computing Georgia Tech, 2002
• [2] GIUSEPPE C., PRATEEK J.: Python Machine Learning Cookbook. Second Edition. Packt Publishing Ltd, 2019
• [3] IVAN V., DANIEL S. et al.: Python Deep Learning. Exploring deep learning techniques and neural network architectures with PyTorch, Keras, and TensorFlow. Packt Publishing Ltd, 2016
• [4] JOEL G.: K-means and hierarchical clustering with Python. O’Reilly Media, Inc, 2016.
• [5] NAZARI Z., KANG D., ASHARIF M.R., SUNG Y., OGAWA S.: A new hierarchical clustering algorithm, 2015 International Conference on Intelligent Informatics and Biomedical Sciences 28–30 Nov 2015
• [6] NIELSEN D.: Tree Boosting With XGBoost, Norwegian University of Science and Technology, 2016
• [7] RAY S.: A Quick Review of Machine Learning Algorithms. In: 2019 International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COMITCon), 2019
• [8] REVATHI G., AVINASH V.: Machine Learning for Mobile. Practical guide to building intelligent mobile applications powered by machine learning. Packt Publishing Ltd, 2018
• [9] REYNOLDS D. A: Gaussian Mixture Models, Encyclopedia of Biometrics 2009
• [10] YUXI L.: Python Machine Learning By Example, Second Edition. Packt Publishing Ltd, 2019
• [11] https://towardsdatascience.com/boosting-algorithm-xgboost-4d9ec0207d, dostęp: 12.12.2019
• [12] https://towardsdatascience.com/boosting-algorithm-gbm-97737c63daa3?, dostęp: 12.12.2019
• [13] https://towardsdatascience.com/boosting-algorithm-adaboost-b6737a9ee60c, dostęp: 12.12.2019
• [14] https://towardsdatascience.com/how-to-build-a-simple-recommender-system-in-python375093c3fb7d, dostęp: 12.12.2019
• [15] https://towardsdatascience.com/principal-component-analysis-for-dimensionalityreduction-115a3d157bad, dostęp: 12.12.2019
• [16] https://towardsdatascience.com/visualising-high-dimensional-datasets-using-pca-and-t-snein-python-8ef87e7915b, dostęp: 12.12.2019

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).