हर वह स्किल जिसे डायग्नोस्टिक जाँच सकता है, नक्शे की तरह समूहों में। लेसन शुरू करने के लिए कोई भी टॉपिक खोलें।
बुनियादी सिद्धांत
ML समस्याओं के प्रकार: सुपरवाइज़्ड (लेबल किए उदाहरण), अनसुपरवाइज़्ड (बिना लेबल) और रीइन्फोर्समेंट लर्निंग के बीच बुनियादी अंतर।
कॉस्ट फ़ंक्शन और लॉस: वह अकेली संख्या जिसे मॉडल ट्रेनिंग के दौरान कम करने की कोशिश करता है, जो यह दिखाने के लिए चुनी जाती है कि उसकी भविष्यवाणियाँ कितनी गलत हैं।
ग्रेडिएंट डिसेंट: एरर घटाने के लिए मॉडल के पैरामीटर्स को बार-बार कॉस्ट फ़ंक्शन पर नीचे की ओर धकेलना।
सुपरवाइज़्ड लर्निंग
लीनियर रिग्रेशन: एक निरंतर संख्या का अनुमान लगाने के लिए डेटा पर एक सीधी रेखा (या हाइपरप्लेन) फ़िट करना।
लॉजिस्टिक रिग्रेशन: क्लासिफ़िकेशन के लिए अनुकूलित एक लीनियर मॉडल, जो अपने आउटपुट को एक प्रायिकता में समेट देता है।
डिसीज़न ट्री: एक मॉडल जो इनपुट के बारे में हाँ/नहीं सवालों की एक श्रृंखला पूछकर भविष्यवाणी करता है, जैसे कोई फ़्लोचार्ट।
एन्सेम्बल विधियाँ: कई कमज़ोर मॉडलों (आमतौर पर ट्री) को एक मज़बूत मॉडल में मिलाना, या तो औसत निकालकर (बैगिंग) या क्रम में एक-दूसरे की गलतियाँ सुधारकर (बूस्टिंग)।
सपोर्ट वेक्टर मशीनें: एक क्लासिफ़ायर जो क्लासेज़ के बीच सबसे चौड़ा संभव मार्जिन ढूंढता है, और कर्नेल्स का इस्तेमाल करके उस मार्जिन को घुमावदार बना सकता है।
K निकटतम पड़ोसी: किसी नए पॉइंट को उसके सबसे नज़दीकी लेबल किए पड़ोसियों को देखकर वर्गीकृत करना।
नाइव बेयस: एक प्रायिकता आधारित क्लासिफ़ायर जो (भोलेपन से) मानता है कि क्लास दिए जाने पर हर फ़ीचर बाकियों से स्वतंत्र है।
मॉडल मूल्यांकन
बायस-वेरिएंस ट्रेडऑफ़: बहुत सरल मॉडल में बायस ज़्यादा होता है (अंडरफ़िट); बहुत लचीले में वेरिएंस ज़्यादा (ओवरफ़िट), और दोनों को एक साथ कम नहीं किया जा सकता।
ओवरफिटिंग और अंडरफिटिंग: एक मॉडल जो पैटर्न सीखने की बजाय ट्रेनिंग डेटा याद कर लेता है (ओवरफ़िट), या एक जो उसे सीखने में भी कमज़ोर होता है (अंडरफ़िट)।
ट्रेन/टेस्ट/वैलिडेशन स्प्लिट: ऐसा डेटा अलग रखना जिस पर मॉडल कभी ट्रेन नहीं होता, ताकि यह ईमानदारी से जाँचा जा सके कि वह न देखे गए उदाहरणों पर कैसा करता है।
क्रॉस-वैलिडेशन: डेटा को कई अलग-अलग तरीकों से बांटना और परफ़ॉर्मेंस का औसत निकालना, ताकि कोई भाग्यशाली/बदकिस्मत स्प्लिट गुमराह न करे।
रेगुलराइज़ेशन (L1/L2): ट्रेनिंग के दौरान बड़े मॉडल वेट्स पर पेनल्टी लगाना ताकि वह शोर को याद करके ओवरफ़िट न कर सके।
क्लासिफ़िकेशन मूल्यांकन मेट्रिक्स: अकेले एक्यूरेसी धोखा दे सकती है; प्रिसिज़न, रीकॉल, F1, और ROC-AUC हर एक क्लासिफ़ायर के सही या गलत होने का एक अलग तरीका दिखाता है।
रिग्रेशन मूल्यांकन मेट्रिक्स: यह मापने के तरीके कि मॉडल की निरंतर भविष्यवाणियाँ कितनी दूर हैं, कच्ची एरर साइज़ से लेकर वह कितनी वेरिएंस समझाता है तक।
हाइपरपैरामीटर ट्यूनिंग: उन सेटिंग्स (लर्निंग रेट, रेगुलराइज़ेशन स्ट्रेंथ, ट्री डेप्थ) को व्यवस्थित रूप से खोजना जो डेटा से नहीं सीखी जातीं बल्कि ट्रेनिंग से पहले चुनी जाती हैं।
क्लास इम्बैलेंस हैंडलिंग: जब एक क्लास दूसरी से बहुत ज़्यादा हो, तब के लिए तकनीकें, क्योंकि सिर्फ़ एक्यूरेसी बेमानी हो जाती है (हमेशा बहुसंख्यक क्लास का अनुमान लगाना ही "जीत" जाता है)।
फ़ीचर इंजीनियरिंग
फ़ीचर इंजीनियरिंग और स्केलिंग: कच्चे डेटा को (संख्याओं को स्केल करना, कैटेगरी को एनकोड करना) ऐसे रूप में ढालना जिससे मॉडल असल में अच्छी तरह सीख सके।
अनसुपरवाइज़्ड लर्निंग
डाइमेंशनैलिटी रिडक्शन (PCA): आपस में जुड़े कई फ़ीचर्स को कम नए फ़ीचर्स में समेटना जो फिर भी ज़्यादातर असली विविधता को दर्शाते हैं।
K-means क्लस्टरिंग: बिना लेबल वाले पॉइंट्स को बार-बार सबसे नज़दीकी केंद्र में डालकर और केंद्रों को दोबारा निकालकर k क्लस्टरों में बांटना।
हायरार्किकल क्लस्टरिंग: पहले से एक तय संख्या चुनने की बजाय, समूहों को बार-बार मिलाकर (या बांटकर) नेस्टेड क्लस्टरों का एक पेड़ बनाना।
न्यूरल नेटवर्क्स
न्यूरल नेटवर्क की बुनियादी बातें: अधिक जटिल पैटर्न सीखने के लिए, नॉन-लीनियर एक्टिवेशन फ़ंक्शनों से जुड़ी लॉजिस्टिक-रिग्रेशन जैसी इकाइयों की परतें जमाना।
बैकप्रॉपगेशन: वह एल्गोरिदम जो यह हिसाब लगाता है कि न्यूरल नेटवर्क के हर वेट ने एरर में कितना योगदान दिया, ताकि ग्रेडिएंट डिसेंट को पता चले कि उसे किस दिशा में एडजस्ट करना है।