Maszyna wektorów nośnych

Maszyna wektorów nośnych^[1], maszyna wektorów wspierających^[2], maszyna wektorów podpierających^[3], maszyna wektorów podtrzymujących^[4] – abstrakcyjny koncept maszyny, która działa jak klasyfikator, a której nauka ma na celu wyznaczenie hiperpłaszczyzny rozdzielającej z maksymalnym marginesem przykłady należące do dwóch klas. Często jest stosowana niejawnie w procesie rozpoznawania obrazów.

Maszyna wektorów nośnych korzystająca z jądra radialnej funkcji bazowej jest w stanie klasyfikować nierozdzielne liniowo klasy^[5]. W przypadku wystąpienia więcej niż jednej klasy maszynę wektorów nośnych zazwyczaj uczy się metodą one-versus-rest^[5].

Zobacz też

Przypisy

↑ MirosławM. Krzyśko MirosławM. (red.), Systemy uczące się: rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości, Wydanie I, Warszawa: Wydawnictwa Naukowo-Techniczne, 2008, ISBN 978-83-204-3459-0 [dostęp 2025-02-20] .
↑ M.M. Kołodziej M.M., A.A. Majkowski A.A., R.J.R.J. Rak R.J.R.J., Wykorzystanie maszyny wektorów wspierających (SVM) do klasyfikacji sygnału EEG na użytek interfejsu mózg-komputer, „Pomiary Automatyka Kontrola”, R. 57, nr 12, 2011, s. 1546–1548, ISSN 0032-4110 [dostęp 2025-02-20] (pol.).
↑ JacekJ. Koronacki JacekJ., JanJ. Ćwik JanJ., Statystyczne systemy uczące się, Warszawa: Wydawnictwa Naukowo-Techniczne, 2005, ISBN 978-83-204-3157-5 [dostęp 2025-02-20] .
↑ Eric RichardE.R. Johnston Eric RichardE.R. i inni red., Komputer kwantowy: programowanie, algorytmy, kod, Gliwice: Helion, 2021, ISBN 978-83-283-6778-4 [dostęp 2025-02-20] .
↑ ^a ^b AurélienA. Géron AurélienA., Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow, KrzysztofK. Sawka (tłum.), wyd. II, aktualizacja do modułu TensorFlow 2, Gliwice: Helion, 2020, ISBN 978-83-283-6002-0, OCLC 1183366759 [dostęp 2020-11-05] .

[1] MirosławM. Krzyśko MirosławM. (red.), Systemy uczące się: rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości, Wydanie I, Warszawa: Wydawnictwa Naukowo-Techniczne, 2008, ISBN 978-83-204-3459-0 [dostęp 2025-02-20] .

[2] M.M. Kołodziej M.M., A.A. Majkowski A.A., R.J.R.J. Rak R.J.R.J., Wykorzystanie maszyny wektorów wspierających (SVM) do klasyfikacji sygnału EEG na użytek interfejsu mózg-komputer, „Pomiary Automatyka Kontrola”, R. 57, nr 12, 2011, s. 1546–1548, ISSN 0032-4110 [dostęp 2025-02-20] (pol.).

[3] JacekJ. Koronacki JacekJ., JanJ. Ćwik JanJ., Statystyczne systemy uczące się, Warszawa: Wydawnictwa Naukowo-Techniczne, 2005, ISBN 978-83-204-3157-5 [dostęp 2025-02-20] .

[4] Eric RichardE.R. Johnston Eric RichardE.R. i inni red., Komputer kwantowy: programowanie, algorytmy, kod, Gliwice: Helion, 2021, ISBN 978-83-283-6778-4 [dostęp 2025-02-20] .

[:0-5] AurélienA. Géron AurélienA., Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow, KrzysztofK. Sawka (tłum.), wyd. II, aktualizacja do modułu TensorFlow 2, Gliwice: Helion, 2020, ISBN 978-83-283-6002-0, OCLC 1183366759 [dostęp 2020-11-05] .

[1]

[2]

[3]

[4]

[5]

Paradygmaty	Uczenie nadzorowane Uczenie nienadzorowane Uczenie przez wzmacnianie Uczenie samonadzorowane
Problemy	Inferencja gramatyki Inżynieria cech Klasteryzacja Klasyfikacja Regresja Redukcja wymiaru Uczenie multimodalne Uczenie (się) cech Wykrywanie anomalii
Uczenie nadzorowane (Klasyfikacja, Regresja)	Drzewa klasyfikacyjne Uczenie zespołowe Agregacja Las losowy K najbliższych sąsiadów Regresja liniowa Naiwny klasyfikator bayesowski Sieć neuronowa Regresja logistyczna Perceptron Maszyna wektorów nośnych
Klasteryzacja	Grupowanie hierarchiczne Algorytm centroidów DBSCAN Inferencja gramatyki
Redukcja wymiaru	Analiza czynnikowa Korelacja kanoniczna Liniowa analiza dyskryminacyjna Analiza głównych składowych
Sieć neuronowa	Autoenkoder Uczenie głębokie Jednokierunkowa sieć neuronowa Model dyfuzyjny Rekurencyjna sieć neuronowa LSTM Sieć generatywna GAN Sieć Kohonena Konwolucyjna sieć neuronowa Transformator