Machine Learning Algorithmen

Machine Learning Algorithmen

• Machine Learning ist eine Wissenschaftliche Disziplin, die darauf abzielt, Wissen und Einsichten aus strukturierten und unstrukturierten Daten zu gewinnen.
• Data Science verwandt mit Data Mining, Machine Learning und Big Data.

Arten des Lernens

Überwachtes Lernen

• Algorithmen lernen aus gekennzeichneten Trainingsdaten.
• Dazu gehören Klassifikations- und Regressionsprobleme.
• Gängige Algorithmen sind lineare Regression, Support Vector Machines (SVM), Entscheidungsbäume, Random Forests und neuronale Netze.

Unüberwachtes Lernen

• Algorithmen lernen aus unbeschrifteten Trainingsdaten.
• Dies beinhaltet Clustering, Dimensionsreduktion und Anomalieerkennung.
• Zu den üblichen Algorithmen gehören K-Means, Hauptkomponentenanalyse (PCA) und Isolation Forest.

Reinforcement Learning

• Algorithmen lernen Entscheidungen auf der Grundlage von erhaltenen Belohnungen zu treffen
• Wichtige Komponenten sind Agent, Umgebung, Aktion und Belohnung.
• Gängige Algorithmen sind Q-Learning, SARSA und Deep Q-Network (DQN).

Algorithmusauswahl

• Folgende Faktoren müssen beim Anwenden eines Algorithmus berücksichtigt werden: Problemtyp, Datensatzgröße, Anzahl der Features, Interpretierbarkeit und Leistung.
• Der Algorithmusauswahlprozess umfasst das Verständnis des Problems, das Erkunden der Daten, das Auswählen potenzieller Algorithmen, das Trainieren und Bewerten, das Anpassen von Hyperparametern und das Auswählen des besten Algorithmus.

Beliebte Algorithmen

Lineare Regression

• Dies ist ein Algorithmus für überwachtes Lernen.
• Dient zur Vorhersage einer kontinuierlichen Zielvariablen basierend auf einer oder mehreren Prädiktorvariablen.
• Sie leitet sich aus der Gleichung $\hat{y} = b_0 + b_1x_1 + b_2x_2 +... + b_nx_n$ ab, wobei $\hat{y}$ der vorhergesagte Wert der Variable ist, $b_0$ der Schnittpunkt ist, $b_1, b_2, ..., b_n$ die Regressionskoeffizienten sind und $x_1, x_2,..., x_n$ die Prädiktorvariablen sind.

Support Vector Machines (SVM)

• Dies ist ein Algorithmus für überwachtes Lernen.
• Er Kann zur Klassifizierung und Regression verwendet werden und findet die Hyperebene, die die Daten am besten in verschiedene Klassen aufteilt.

Entscheidungsbäume

• Dies ist ein Algorithmus für überwachtes Lernen.
• Er trifft Entscheidungen basierend auf einer Reihe von Regeln. Sie sind leicht zu interpretieren und können zur Klassifizierung und Regression verwendet werden.

Random Forests

• Dies ist ein Algorithmus für überwachtes Lernen.
• Es ist ein Ensemble von Entscheidungsbäumen, die genauer sind als einzelne Entscheidungsbäume und weniger dazu neigen, die Daten zu überlernen.

K-Means

• Dies ist ein Algorithmus für unüberwachtes Lernen.
• Er teilt Daten in k Gruppen auf. Er ist einfach zu verwenden und kann effektiv sein, um Daten zu gruppieren.

Neuronale Netze

• Dies ist ein Algorithmus für überwachtes Lernen.
• Es ist ein komplexer Algorithmus, der von der Struktur des menschlichen Gehirns inspiriert ist. Sie können für verschiedene Aufgaben verwendet werden, einschließlich Klassifizierung, Regression und Bilderkennung.

Fazit

• Es sind viele verschiedene maschinelle Lernalgorithmen verfügbar. Der beste Algorithmus hängt von dem spezifischen Problem ab, das gelöst werden soll. Es ist wichtig, die verschiedenen Algorithmen und ihre Stärken und Schwächen zu verstehen, um den besten Algorithmus für Ihre Anforderungen auszuwählen.

Algorithmische Spieltheorie

• Spieltheorie ist die formale Beschreibung strategischer Interaktion.
• Algorithmische Spieltheorie Ist das Studium von Spielen

Warum Spieltheorie?

• Interaktionen sind überall anzutreffen, besonders zwischen eigennützigen Agenten.
• Es ist wichtig, Anreize zu verstehen und Systeme zu entwerfen, die mit Anreizen arbeiten.

Beispiele

• Die Google/Yahoo-Werbeauktionen; eBay-Auktionen, FCC-Spektrum-Auktionen
• Vernetzung: Routing, Peer-to-Peer-Netzwerke
• Sicherheit: Flughafensicherheit, Computersicherheit
• Soziale Netzwerke: Einfluss, Netzwerkbildung
• E-Commerce: Empfehlungssysteme, Reputationssysteme

Selfish Routing

Modell

• Das Netzwerk ist $G = (V, E)$.
• $r_e$: Stauungs- (oder Kosten-)funktion auf Kante $e$
• $r_e(x)$: Kosten von $x$ für jeden Benutzer mit Datenverkehr auf Kante $e$
• Der Datenverkehr ist $T = {(s_i, t_i, w_i)}_{i = 1, \ldots, k}$.
  • $w_i$: Datenverkehrsmenge von $s_i$ nach $t_i$
• Routing: Jeder Datenverkehr $i$ wählt einen Pfad $P_i$ von $s_i$ nach $t_i$.
• $f_e$ : Gesamtdatenverkehr auf Kante $e$

Notation

• Pfad (P) von s nach t
• Kosten: $c_p(f) = \sum_{e \in p} r_e(f_e)$
• Soziale Kosten: $\text{SC}(f) = \sum_{e \in E} f_e r_e(f_e)$