일반적인 머신 러닝 및 데이터 마이닝 관련 용어

• 샘플링 (Sampling):

  • 간단한 무작위 샘플링 (Simple Random Sampling) 은
  • 오프라인 샘플링 (OfflineSampling)
  • 온라인 샘플링 (Online Sampling) 은 온라인에서 가능한 K 샘플링을 하는 것입니다.
  • Ratio-based Sampling (비율 기반 샘플링)
  • 수표의 수표는 수표의 수표입니다.
  • 중요성 샘플링
  • MCMC (MarkovChain Monte Carlo)

• 클러스터링 (clustering):

  • K-Means，
  • K-Mediods，
  • “K-Means”의 2분,
  • FK-Means，
  • Canopy，
  • 스펙트럼-KMeans (스펙트럼 집합)
  • GMM-EM[混合高斯模型] - 최대화 알고리즘을 해결하기 위한 희망
  • K-Pototypes, CLARANS (분열에 기초한),
  • BIRCH는 “단계 기반”이라고 부릅니다.
  • CURE (단계 기반)
  • DBSCAN (밀도에 따라)
  • CLIQUE (밀도 기반 및 격자 기반)

• Classification&Regression (분류 및 회귀):

  • LR (선형 회귀)
  • 로지스틱 회귀 (LogisticRegression) 로 로지스틱 회귀 (LogisticRegression) 는
  • SR (Softmax Regression) 은 SOFTmax의 수직 회귀를 나타냅니다.
  • GLM (Generalized Linear Model) 은 일반화된 선형 모델입니다.
  • RR (Ridge Regression 회귀/L2 정형 최소 2배 회귀),
  • LASSO ((Least Absolute Shrinkage and Selectionator Operator L1 정형 최소 2배 회귀),
  • RF (사소한 숲)
  • “결정나무”는 “결정나무”라고 불립니다.
  • GBDT (Gradient BoostingDecision Tree) 는 세계 각국의 의사결정 트리 (Decision Tree) 를 구성하고 있습니다.
  • CART (ClassificationAnd Regression Tree) 는 세계 각국의 분류 및 회귀 트리입니다.
  • “K-Nearest Neighbor K”는 “K-Nearest Neighbor K”라는 제목으로 제작되었습니다.
  • SVM(Support VectorMachine)，
  • KF (KernelFunction) 다항 함수의 핵 함수
  • Guassian KernelFunction 고스핵 함수/Radial BasisFunction RBF 라디얼 베이스 함수
  • String KernelFunction (스트링 커널 함수)
  • NB ((Naive Bayes),BN ((Bayesian Network/Bayesian Belief Network/ Belief Network 베이스 네트워크/ 베이스 믿음 네트워크/ 신념 네트워크),
  • LDA (Linear Discriminant Analysis/Fisher) 는 리니어 디스크리미넌트 분석 (LDA) 과 리니어 디스크리미넌트 분석 (LDA) 과 리니어 디스크리미넌트 분석 (LDA) 과 리니어 디스크리미넌트 분석 (LDA) 과 리니어 디스크리미넌트 분석 (LDA) 과 리니어 디스크리미넌트 분석 (LDA) 과 리니어 디스크리미넌트 분석 (LDA) 과 리니어 디스크리미넌트 분석 (LDA) 과 리니어 디스크리미넌트 분석 (LDA) 과 리니어 디스크리미넌트 분석 (LDA) 과 리니어 디스크리미넌트 분석 (LDA) 과 리니어 디스크리미넌트 분석 (LDA) 과 리니어 디스크리미넌트 분석 (LDA) 과 리니어 디스크리미넌트 분석 (LDA) 과 리니어 디스크리미넌트 분석 (LDA) 과 리니어 디스크리미넌트 분석 (LDA
  • “Ensemble Learning”은 “Boosting, Bagging, Stacking”을 통합하여 학습하는 방식입니다.
  • Adaptive Boosting (응용적 부스트) 라는 프로젝트가 있습니다.
  • MEM ((Maximum Entropy Model 최대 엔트로피 모델)

• Effectiveness Evaluation (효율성 평가):

  • Confusion Matrix (혼란 매트릭스) 는
  • Precision (정확성), Recall (기억)
  • “Accuracy” (정확성), “F-score” (F 점수),
  • ROC 커브, AUC, AUC 면적,
  • LiftCurve (리프트 커브), KS Curve (KS 커브)

• PGM (Probabilistic Graphical Models) 는 확률 그래프 모델이다.

  • BN ((Bayesian Network/Bayesian Belief Network/ BeliefNetwork 베이스 네트워크/ 베이스 신앙 네트워크/ 신념 네트워크),
  • “마르코프 체인” (Markov Chain) 은 “마르코프 체인” (Markov Chain) 이라는 제목으로 쓰여져 있습니다.
  • HMM (영어: HiddenMarkov Model) 은 미네르타의 미네르타 모형이다.
  • MEMM (최대 엔트로피 마르코프 모델)
  • CRF (Conditional Random Field) 는 “조건적 무작위 필드” (Conditional Random Field) 라고 불린다.
  • MRF (Markov Random Field)

• NN (신경 네트워크):

  • ANN (Artificial Neural Network) 는 인공 신경망으로 구성되어 있습니다.
  • BP ((Error BackPropagation 오류가 역전 전파된다) )

• DeepLearning

  • “Auto-encoder” (자동 인코더),
  • SAE (Stacked Auto-encoders) 는 스택드 오토-엔코더로 구성되어 있습니다.
  • Sparse Auto-encoders는 자동 인코더를 희석하고,
  • Denoising Auto-encoders는 오토 엔코더의 소음을 제거하고
  • “Contractive Auto-encoders” (계약형 오토 엔코더) 라는 제목으로 쓰여져 있습니다.
  • RBM (Restricted Boltzmann Machine) 는 제한된 볼츠만 기계의 일부입니다.
  • DBN (Deep Belief Network) 는 지난 10년 동안 세계 곳곳에서 활동하고 있습니다.
  • CNN (ConvolutionalNeural Network) 는 이 뉴런을 “신경 네트워크”라고 부릅니다.
  • Word2Vec (어휘 벡터 학습 모델)

• DimensionalityReduction (차원 감소):

  • LDA LinearDiscriminant Analysis/Fisher Linear Discriminant 선형 차별 분석/피셔 선형 차별 분석
  • PCA (Principal Component Analysis) 는 주요 구성 요소를 분석하는 것으로 알려져 있습니다.
  • ICA (독립 컴포넌트 분석)
  • SVD (Singular Value Decomposition) 는 SVD (Singular Value Decomposition) 를 의미하며, SVD는 SVD의 SVD를 의미하며, SVD는 SVD의 SVD이다.
  • FA ((FactorAnalysis 인자분석법)

• 글쓰기 채굴 (text mining):

  • VSM (Vector Space Model) 는 벡터 공간 모델,
  • 워드2베크 (Word2Vec) 는 워드 벡터 학습 모델입니다.
  • “Term Frequency”는 “Term Frequency”라는 단어로 쓰여져 있습니다.
  • TF-IDF (Term Frequency-Inverse DocumentFrequency) 는 문서를 입력하는 데 필요한 모든 정보를 입력하는 데 도움이 됩니다.
  • MI (MutualInformation) 는 인도에서 가장 많은 정보를 수집하는 기관입니다.
  • ECE (Expected Cross Entropy) 는 ECE (Expected Cross Entropy) 라는 이름의 기호를 가지고 있습니다.
  • QEMI (초등 정보 )
  • IG (InformationGain: 정보의 이익)
  • IGR (Information Gain Ratio) 는 정보의 수익률을 나타냅니다.
  • 기니 계수 (Gini coefficient) 는
  • x2 Statistic (x2 통계)
  • TEW (TextEvidence Weight) 는 문헌 증거권에 관한 논문입니다.
  • 이 글은 ODDS Ratio의 우세한 비율을 나타냅니다.
  • N-Gram Model，
  • LSA (Latent Semantic Analysis) 는 잠재적인 시맨틱 분석 (潜在的语义分析) 이라고도 불린다.
  • PLSA (Probabilistic Latent Semantic Analysis) 는 확률에 기반한 잠재적인 의미 분석을 하는 것으로,
  • LDA ((Latent DirichletAllocation 잠재적인 딜릭레이 모델) .

• Association Mining (광업협회):

  • Apriori，
  • FP-growth (Frequency Pattern Tree Growth) 는 FP-growth (주파수 패턴 나무 성장 알고리즘) 이라는 이름의 알고리즘을 개발했습니다.
  • AprioriAll，
  • Spade。

• 추천 엔진:

  • DBR (Demographic-based Recommendation) 는 인구통계학에 기반한 권고안으로, 인구통계학에 기반한 권고안으로, 인구통계학에 기반한 권고안으로, 인구통계학에 기반한 권고안으로, 인구통계학에 기반한 권고안으로, 인구통계학에 기반한 권고안으로, 인구통계학에 기반한 권고안으로,
  • CBR (Context-basedRecommendation) 는 컨텍스트 기반의 추천으로 구성되어 있습니다.
  • CF (Collaborative Filtering) 는 “공동 필터링”이라고 불립니다.
  • UCF는 사용자 기반 협업 필터링 권장사항 (User-based Collaborative Filtering Recommendation) 을 발간하고 있습니다.
  • ICF (Item-based Collaborative Filtering Recommendation) 는 아이템 기반의 협업 필터링을 권장하는 프로그램이다.

• Similarity Measure&Distance Measure (사상도 측정과 거리 측정):

  • 유클리드 거리 (Euclidean Distance)
  • 맨해튼 거리 (Manhattan Distance) 는 뉴욕시의 가장 큰 도시입니다.
  • 이 사진의 제목은 “체비셰프 거리” (Chebyshev Distance).
  • 미코프스키 거리 (Minkowski Distance) 는 미코프스키 시나리오의 한 부분이다.
  • 표준화된 유클리드 거리 (Standardized Euclidean Distance)
  • 마알라노비스 거리 (MahalanobisDistance)
  • 코스 (Cosine arrow)
  • HammingDistance/Edit Distance (해밍 거리/편집 거리) 는
  • “자카드 거리 (JaccardDistance) “라는 제목의 이 글은 “자카드 거리 (JaccardDistance) “라는 제목의 글입니다.
  • 연립 계수 거리 (Correlation Coefficient Distance) 는
  • 정보 엔트로피 (Information Entropy) 는
  • KL ((Kullback-Leibler Divergence KL 분산도/Relative Entropy 상대적으로 ) )

• 특징 선택 (Feature Selection):

  • 상호 정보 (Mutual Information)
  • 이 문서의 주파수 (Document Frequency) 는
  • 정보의 이익 (Information Gain)
  • 퀴사 테스트는 퀴사 테스트의 일부입니다.
  • Gini (기니 계수)

• Outlier Detection (비정상점 탐지 알고리즘):

  • 통계 기반 (Statistical-based) 으로
  • “이런 일이 벌어질 수 있는 이유는,
  • “Density-based”는 “밀도 기반”입니다.
  • 클러스터링 기반 (clustering-based)

• Learning to Rank (학습을 바탕으로 순위):

  • Pointwise：McRank；
  • Pairwise：RankingSVM，RankNet，Frank，RankBoost；
  • Listwise：AdaRank，SoftRank，LamdaMART。