Samenvatting: Machine Learning Lliterature Pddf

Lees hier de samenvatting en de meest belangrijke oefenvragen van Machine learning lliterature pddf

• 2 1.1 What does it mean to learn?

  Dit is een preview. Er zijn 2 andere flashcards beschikbaar voor hoofdstuk 2
  Laat hier meer flashcards zien

• Wat is het meest centrale concept in machine learning?

  - Voorspellingen doen over de toekomst gebaseerd op het verleden.
  - Voorwerpen waarover de algoritme voorspellingen doet, worden voorbeelden genoemd.
  - In het algemene raamwerk van inductie ontvangen we trainingsdata waarop het algoritme wordt verwacht te leren.
  - De trainingsdata bestaat uit waargenomen voorbeelden.
  - Op basis van de trainingsdata induceert het leerproces een functie 'f' die een nieuw voorbeeld toewijst aan een bijbehorende voorspelling.
  - De verzameling voorbeelden waarop het algoritme wordt geëvalueerd is de testset, ook wel de eindtoets genoemd.

• 3 1.2 Some canonical learning problems

  Dit is een preview. Er zijn 3 andere flashcards beschikbaar voor hoofdstuk 3
  Laat hier meer flashcards zien

• Wat is het primaire verschil tussen soorten inductieve leerproblemen in machine learning?

  Het primaire verschil ligt in het type 'ding' dat ze proberen te voorspellen:
  - Regressie: Prognosticeren van reële waarden.
  - Binair classificatie: Voorspellen van een ja/nee antwoord.
  - Multiclass classificatie: Indelen in een van meerdere categorieën.
  - Ranking: Rangschikken van objecten op relevantie.

• Waarom worden machine learning problemen ingedeeld naar het type object dat ze proberen te voorspellen?

  Deze indeling heeft te maken met het meten van fouten; verschillende soorten leerproblemen hanteren uiteenlopende criteria voor de kwaliteit van een voorspelling.

• 4 1.3 The Decision Tree Model of Learning

  Dit is een preview. Er zijn 11 andere flashcards beschikbaar voor hoofdstuk 4
  Laat hier meer flashcards zien

• Wat zijn kenmerken in het kader van beslissingsbomen voor binaire classificatie?

  - Kenmerken zijn de vragen die worden gesteld om tot een beslissing te komen.
  - Elk kenmerk vertegenwoordigt een aspect dat onderzocht moet worden voor classificatie.

• Wat is de label in beslissingsbomen en hoe wordt deze in de praktijk toegepast?

  - De label is de waardering of de uitkomst die wordt voorspeld na het evalueren van de kenmerken.
  - Het is het antwoord op de vraag of een bepaalde classificatie van toepassing is.

• Wat wordt bedoeld met een voorbeeld in de context van machine learning met beslissingsbomen?

  - Een voorbeeld is een verzameling kenmerken die samen worden geanalyseerd om tot een voorspelling te komen.
  - In dit geval gaat het om systemen cursussen en of een student deze positief zal beoordelen.

• Hoe kan de nuttigheid van een functie worden bepaald bij het beslissen of een cursus leuk gevonden zal worden of niet?

  - Histogrammen van labels tonen de verdeling van 'like' en 'nah'.
  - De eerste functie is niet nuttig; de tweede functie is wel nuttig.
  - Bij een 'nee' voor de tweede functie zal de cursus waarschijnlijk niet leuk gevonden worden, en bij een 'ja' waarschijnlijk wel.
  - Score van een functie: 'nee'-set heeft 100% juistheid voor 'hate', 'ja'-set heeft 80% juistheid.
  - De score van de functie is 18/20, waarmee deze als EERSTE VRAAG gekozen wordt voor de beslissingsboom.

• Hoe kiezen we de volgende kenmerken bij data-partitie?

  - Verdeel de data in twee delen:
  1. NO deel: een subset van data waar de waarde voor dit kenmerk 'nee' is.
  2. YES deel: de rest van de data.
  - Voer op elk deel de volgende stappen uit:
  1. Herhaal dezelfde routine door het kenmerk met de hoogste score te kiezen.
  2. Maak een bladknoop en gok het meest voorkomende antwoord als toevoeging van extra kenmerken zinloos wordt, zoals bij een systeemcursus waarvan iedereen het haat.

• Wat is de standaardantwoord als de meest frequente in de data bij het trainen van een beslissingsboom?

  - Het standaardantwoord is de meest frequente antwoord in de data.

• Wat gebeurt er als de labels in de data ondubbelzinnig zijn tijdens het trainingsproces van een beslissingsboom?

  - Er wordt een bladknoop geretourneerd met de meest waarschijnlijke gok op dat moment.