初心者のリソース/分類アルゴリズムの紹介[閉じた

Question

みんな。私は分類アルゴリズムのトピックにまったく初心者であり、「真剣な読書」を始める場所についていくつかの良い指針が必要です。私は今、機械学習と自動分類アルゴリズムが私のいくつかのアプリケーションに追加する価値のあるものである可能性があるかどうかを知る過程にあります。

私はすでにスキャンしました 「それを解決する方法：現代のヒューリスティック」 Z. MichalewiczとD. Fogel（特に、ニューロンネットワークを使用した線形分類器に関する章）、および実用的な面では、現在、私は現在 ウェカツールキット ソースコード。私の次の（計画された）ステップは、ベイジアン分類アルゴリズムの領域に飛び込むことです。

残念ながら、私はこの分野に深刻な理論的基盤が欠けています（まだあらゆる方法で使用したことは言うまでもなく）。特に、利用可能な分類アルゴリズムの適切な導入が役立ちます。より職人であり、理論的な人ではなく、より実用的で、より良い...

ヒント、誰か？

Answer 1

私はいつも見つけました アンドリュー・ムーアのチュートリアル とても便利です。それらは固体統計理論に基づいており、将来読むことを選択した場合、論文を理解するのに非常に役立ちます。これが簡単な説明です：

これらには、意思決定ツリー、ニューラルネット、ベイジアン分類器、サポートベクターマシン、ケースベースの（別名ノンパラメトリック）学習などの分類アルゴリズムが含まれます。これらには、多変量多項式回帰、MARS、局所重量回帰、GMDH、ニューラルネットなどの回帰アルゴリズムが含まれます。また、クラスタリング（混合モデル、k-means、階層）、ベイジアンネットワーク、補強学習など、他のデータマイニング操作が含まれます。

Answer 2

Andrew Mooreのチュートリアルを参照する回答は良いものです. 。しかし、そもそも多くの分類システムの作成を促進する必要性について読むことを提案することで、因果関係の特定を提案することで、それを補強したいと思います。これは、統計的推論を含む多くのモデリング問題に関連しています。

因果関係と分類器システム（特にベイジアン分類器）について学ぶために私が知っている最良の現在のリソースは Judea Pearlの本「因果関係：モデル、推論、推論」.

Answer 3

機械学習の概要

フィールドの適切な概要を取得するには、のビデオ講義をご覧ください アンドリューNGの機械学習コース.

このコース（CS229）は、Andrew Ng教授によって教えられていますが、機械学習と統計パターン認識の幅広い紹介を提供します。トピックには、監視された学習、教師のない学習、学習理論、強化学習、適応制御が含まれます。ロボット制御、データマイニング、自律ナビゲーション、バイオインフォマティクス、音声認識、テキストおよびWebデータ処理などの機械学習の最近のアプリケーションについても説明します。

分類器

どの分類器を使用するかについては、最初に始めることをお勧めします サポートベクターマシン（SVM） 一般的な応用分類タスクの場合。彼らはあなたに最先端のパフォーマンスを提供します、そして、あなたは、Wekaのようなパッケージによって提供される実装を使用するために、それらの背後にあるすべての理論を本当に理解する必要はありません。

データセットが大きい場合は、使用してみてください ランダムフォレスト. 。あります 実装 ウェカのこのアルゴリズムのうち、彼らは訓練します はるかに高速 大きなデータについて。それらはSVMよりも広く使用されていませんが、それらの精度は、1つから得られる精度に一致するか、ほぼ一致する傾向があります。