Dir*_*irk 16 pattern-recognition artificial-intelligence classification machine-learning weka
每一个人.我对分类算法的主题完全陌生,需要一些关于从哪里开始"严肃阅读"的好指示.我现在正在发现,机器学习和自动分类算法是否值得添加到我的某些应用程序中.
我已经通过Z. Michalewicz和D. Fogel(特别是关于使用神经元网络的线性分类器的章节)扫描了"如何解决它:现代启发式",并且在实践方面,我目前正在查看WEKA工具包源代码码.我的下一个(计划好的)步骤是深入了解贝叶斯分类算法的领域.
不幸的是,我在这个领域缺乏一个认真的理论基础(更不用说,到目前为止已经以任何方式使用过它),所以任何关于下一步看的提示都会受到赞赏; 特别是,对可用的分类算法的良好介绍将是有帮助的.作为一名工匠而不是理论家,越实用,越好......
提示,有人吗？
我总是发现Andrew Moore的教程非常有用.它们基于可靠的统计理论,如果您将来选择阅读它们,将非常有助于理解论文.这是一个简短的描述:
这些包括分类算法,例如决策树,神经网络,贝叶斯分类器,支持向量机和基于套件(也称为非参数)的学习.它们包括回归算法,如多元多项式回归,MARS,局部加权回归,GMDH和神经网络.它们包括其他数据挖掘操作,如聚类(混合模型,k均值和分层),贝叶斯网络和强化学习
在提到安德鲁·摩尔的教程答案是一个很好的一个.然而,我想通过建议对一些驱动创建许多分类系统的需求进行一些阅读来增加它:识别因果关系.这与涉及统计推断的许多建模问题有关.
我所知道的关于因果关系和分类器系统(尤其是贝叶斯分类器)的最新资源是Judea Pearl的书"因果关系:模型,推理和推理".
| 归档时间： |
|
| 查看次数： |
5580 次 |
| 最近记录： |