Strojové učení s učitelem
165 — metody v této rodině.
Vybrané
Aktivní učeníActive learning is an iterative machine-learning paradigm in which a learning algorithm selectively queries an oracle — typically a human annotator — for labels on the most informaAktivní učení s boostingemActive Learning Boosting combines the query-driven label acquisition of active learning with the weighted-ensemble logic of boosting algorithms such as AdaBoost. The model iterativRozhodovací strom pro aktivní učeníActive learning with a decision tree combines the interpretable structure of a CART-style tree with a query strategy that selects the most informative unlabeled instances for humanFederated aktivní učeníFederated Active Learning combines the annotation-efficiency of active learning with the privacy-preserving decentralization of federated learning. A shared global model is trainedAktivní učení Gaussovského směsového modeluActive Learning Gaussian Mixture Model combines an iterative query strategy with a Gaussian Mixture Model learner. The algorithm selects the most informative unlabeled points — typAktivní učení s gradientním posilovánímActive Learning Gradient Boosting combines the powerful predictive accuracy of gradient boosted trees with an active learning loop that selects the most informative unlabeled examp
Reading path
This topic's most-referenced foundational methods, in the order they were developed — a place to start if you're new here.
Všechny metody 165
Aktivní učeníAktivní učení s boostingemRozhodovací strom pro aktivní učeníFederated aktivní učeníAktivní učení Gaussovského směsového modeluAktivní učení s gradientním posilovánímAktivní učení K-nejbližších sousedůActive Learning LightGBMLineární regrese s aktivním učenímAktivní učení s jednovariátním SVMAktivní učení s vlastní dohledovou učeníActive Learning Stacking EnsembleAktivní učení s podpůrnými vektoryHlasovací ansámbl aktivního učeníAdaBoostZesilováníBoosting (posilování) souboru modelůAgregace Borda CountCatBoostKolaborativní filtrováníKonformní predikceRozhodovací stromSloučení Dempster-ShaferTěžba vznikajících vzorůAktivní učení s výborem modelůEnsemble rozhodovacích stromůEnsemble Federated LearningEnsemble učení z malého počtu příkladůGaussovský směsný model (Ensemble Gaussian Mixture Model)Ensemble Gaussian ProcessGradient BoostingEnsemble K-nejbližších sousedůEnsemble Metric Learning (učení metrik pomocí ansámblů)Ensemble Naive BayesEnsemble One-Class SVMOnline učení s ansámblyEnsemble Self-supervised LearningEnsemble Semi-supervised LearningEnsemble Support Vector MachineEnsemble Transfer LearningExtra TreesUčení s malým počtem příkladůFP-Růst (Růst častých vzorů)Zobecněný aditivní model (GAM)Nezávislá komponentová analýza (ICA)IsomapMetoda K-nejbližších sousedůPropagace popiskůLightGBMLineární diskriminační analýza (LDA)Lineární regrese (ML)Lokální regrese LOESS / LOWESSVětšinové hlasováníMnohorozměrné adaptivní regresní spliny (MARS)Dokončování maticUčení metrikMulti-layer Perceptron (MLP)Naive BayesNezáporná maticová faktorizace (NMF)Online aktivní učeníOnline BoostingOnline rozhodovací stromOnline Federated LearningOnline Few-shot LearningOnline FP-growthOnline Gaussian Mixture ModelOnline Gaussian ProcessOnline Gradient BoostingOnline K-nejbližších sousedůOnline LearningOnline LightGBMOnline Linear RegressionOnline Metric LearningOnline Naive BayesOnline One-Class SVMOnline Random ForestOnline samodohledované učeníOnline semi-supervidované učeníOnline Support Vector MachineOnline Transfer LearningOnline Voting EnsembleDetekce mimo distribuciRegrese parciálních nejmenších čtverců (PLS)Metody gradientu politikyQ-učeníKvadratická diskriminační analýza (QDA)Random ForestRegresní a vyhlazovací splajnyRegularized BoostingRegularizovaný CatBoostRegulovaný rozhodovací stromRegularizované federované učeníRegularizované učení s malým počtem příkladůRegularizovaný Gaussovský procesRegularizované gradientní posilováníRegularizovaný k-nejbližší sousedéRegularizovaný naivní BayesRegularizované online učeníRegularizovaný náhodný lesRegularizované semi-supervizované učeníRegularizovaný podpůrný vektorový strojRegularized Transfer LearningRobustní aktivní učeníRobust BoostingRobustní rozhodovací stromRobustní federované učeníRobustní Gaussovský Směsný ModelRobustní Gaussovský procesRobustní učení metrikRobust One-Class SVMRobustní online učeníRobustní náhodný les (Robust Random Forest)Robustní skládaný ansámblRobustní Support Vector MachineRobustní hlasovací ansámblIndukce pravidel (RIPPER)Samoučené aktivní učeníSamoučící se posilováníSamoučené rozhodovací stromyFederované učení se sebeřízenímSamoučení s malým počtem příkladůSamostatně dohlížené Gaussovo jádroSamoučené vylepšování gradientním zesilovánímSamoučící se K-nejbližší sousedéSamoučící se učeníSelf-supervised LightGBMSebeřízené učení metrikSamoučící se jednoklasový SVMSamoučící se náhodný lesSamoučící se skládací ansámblSamoučící se podpůrný vektorový strojSamoučení přenosového učeníPolopolo-dohledové aktivní učeníPolosupervizované posilování (Semi-supervised Boosting)Semi-supervised CatBoostPolopřeváděný rozhodovací stromPolozavedené federované učeníPolosupervizované učení s malým počtem příkladůSemi-supervised FP-growthPolo-přidružený Gaussovský směsný modelPoloučený Gaussovský procesPolozavedené vylepšování gradientemPolu-supervizované K-nejbližších sousedůSemisupervisední učeníSemi-supervised LightGBMPolozsupervisední lineární regresePolu-dohledové učení metrikSemisupervizovaný Naive BayesPolovičně řízené SVM jedné třídyPolu-dohledové online učeníSemi-supervised Random ForestPolo-supervizované skládání (Semi-supervised Stacking Ensemble)Polopřeváděné podpůrné vektory (Semi-supervised Support Vector Machine)Semisupervisední přenosové učeníPoloučený hlasovací ansámblSemi-supervised XGBoostTěžba sekvenčních vzorůNaskládaná generalizaceStackingStochastický gradientní sestup (SGD)Stroj s podpůrnými vektory (klasifikace)Support Vector RegressionPřenosové učeníHlasovací ansámblXGBoost