Kerangka kerja pembelajaran mesin Kerangka kerja pembelajaran mesin - koleksi algoritma pembelajaran mesin yang kuat diintegrasikan ke dalam kerangka kerja
Unduh sekarang

Kerangka kerja pembelajaran mesin Peringkat & Ringkasan

Kerangka kerja pembelajaran mesin Tag

mempelajari kerangka analisis data matematika kerangka kerja pembelajaran Mathematica Algorithm.

Kerangka kerja pembelajaran mesin Keterangan

Kerangka kerja pembelajaran - koleksi algoritma pembelajaran mesin yang kuat yang terintegrasi ke dalam kerangka kerja Kerangka kerja pembelajaran mesin untuk Mathematica adalah kumpulan algoritma pembelajaran mesin yang kuat yang terintegrasi ke dalam kerangka kerja untuk tujuan utama analisis data. Logika fuzzy adalah salah satu teknik utamanya. Kerangka kerja memungkinkan untuk menggabungkan algoritma pembelajaran mesin yang berbeda untuk menyelesaikan satu masalah tunggal. Kombinasi algoritma berbeda ini dapat memberikan wawasan pengguna yang tidak terduga ke dalam datanya. Algoritma sangat parameterisasi. Mengingat parameterisasi ini dikombinasikan dengan mesin inti efisien kerangka kerja pembelajaran mesin untuk Mathematica, pengguna dapat menganalisis data mereka secara interaktif, dengan siklus pendek pengaturan parameter yang berubah dan memeriksa hasil. Kerangka kerja pembelajaran untuk Mathematica menyediakan sejumlah besar Algoritma pembelajaran mesin yang dapat dihitung untuk bekerja bersama dan karenanya menghasilkan hasil baru. Di sini adalah beberapa fitur utama "Kerangka kerja pembelajaran mesin": analisis yang diawasi · Pohon Keputusan Uzzy: FS-ID3, varian fuzzy dari algoritma pembelajaran ID3 untuk dibuat Pohon Keputusan · Fuzzy Aturan Generasi: FS-Foil, Varian Fuzzy Metode Foil Quinlan · Cluster Deskripsi: FS-Miner, metode eksklusif untuk menemukan deskripsi cluster · Optimalisasi Fuzzy Controllers: Reno, yang menggunakan optimasi numerik untuk Temukan aturan fuzzy yang akurat secara komputasi dan kuat · Regge regresi: regresi dengan pemilihan fitur bawaan. Analisis tanpa pengawasan · Peta yang mengatur sendiri: Buat plot dua dimensi dari set data dimensi tinggi, set data besar dan berisik, ingat (satu atau lebih) nilai yang hilang dalam data · Fuzzy C-Means: menciptakan segmentasi fuzzy dari data · Clustering Ward: Metode pengelompokan aglomeratif yang renyah , Sugeno, Tagaki-Sugeno-Kang) Persyaratan: · Mathematica 5.2 (atau lebih baru). Apa yang baru dalam rilis ini: · MLF diadaptasi untuk Mathematica 6.0 · Kebocoran memori utama di kernel MLF dicolokkan, sangat meningkatkan kinerja dalam kasus-kasus tertentu.

Kerangka kerja pembelajaran mesin Perangkat Lunak Terkait