Benutzer-Werkzeuge

Webseiten-Werkzeuge


bigdata:machinelearning

Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

Link zu dieser Vergleichsansicht

Beide Seiten der vorigen RevisionVorhergehende Überarbeitung
bigdata:machinelearning [2015/10/05 20:34] – [Lernmethoden] brueckbigdata:machinelearning [2015/10/05 20:34] (aktuell) – [Techniken] brueck
Zeile 23: Zeile 23:
   * **Empfehlung (Recommendation)**: //„Kunden die dieses Produkt kauften, kauften auch...“// ist ein wohl bekanntes Beispiel für Empfehlungen in Onlineshops. Anhand von vergangenen Bestellungen anderer Kunden, die ein Produkt enthielt, kann ermittelt werden, welche anderen Produkte typischerweise zusammen damit gekauft wurden, um so nützliche Vorschläge bereitstellen zu können. So werden Informationen von einer einzelnen Person mit Informationen der Masse kombiniert, um sinnvolle Empfehlungen auszuarbeiten. Ebenso könnte die Kategorie untersucht werden, in den die Produkte vergangener Einkäufe stehen, um so andere Produkte derselben Kategorie oder mit ähnlichen Eigenschaften finden zu können.    * **Empfehlung (Recommendation)**: //„Kunden die dieses Produkt kauften, kauften auch...“// ist ein wohl bekanntes Beispiel für Empfehlungen in Onlineshops. Anhand von vergangenen Bestellungen anderer Kunden, die ein Produkt enthielt, kann ermittelt werden, welche anderen Produkte typischerweise zusammen damit gekauft wurden, um so nützliche Vorschläge bereitstellen zu können. So werden Informationen von einer einzelnen Person mit Informationen der Masse kombiniert, um sinnvolle Empfehlungen auszuarbeiten. Ebenso könnte die Kategorie untersucht werden, in den die Produkte vergangener Einkäufe stehen, um so andere Produkte derselben Kategorie oder mit ähnlichen Eigenschaften finden zu können. 
  
-  * **Klassifizierung (Classification)**: Klassifizierungen dienen dem richtigen Einstufen von Daten. Dafür werden bekannte Daten dafür genutzt, neue Daten richtig einzuschätzen (vgl. [[bigdata:literatur|Costin o. J.]]). Klassisches Beispiel dafür sind Spam-Filter. Manuelles Markieren von Mails als „//Spam//“ oder „//Kein Spam//“ beeinflusst künftige Entscheidung über die Klassifizierung des Mail-Programms. +  * **Klassifizierung (Classification)**: Klassifizierungen dienen dem richtigen Einstufen von Daten. Dafür werden bekannte Daten dafür genutzt, neue Daten richtig einzuschätzen (vgl. [[bigdata:literatur#c|Costin o. J.]]). Klassisches Beispiel dafür sind Spam-Filter. Manuelles Markieren von Mails als „//Spam//“ oder „//Kein Spam//“ beeinflusst künftige Entscheidung über die Klassifizierung des Mail-Programms. 
  
-  * **Gruppierung (Clustering)**: Beim Clustering werden ähnliche Daten werden nach gemeinsamen Charakteristika in Gruppen zusammengefasst. Anders als bei der Klassifizierung werden sie dabei in neue Gruppen geordnet und nicht in bereits bestehende Kategorien zugeordnet (vgl. [[bigdata:literatur|Barnes 2015: S. 169f]]).+  * **Gruppierung (Clustering)**: Beim Clustering werden ähnliche Daten werden nach gemeinsamen Charakteristika in Gruppen zusammengefasst. Anders als bei der Klassifizierung werden sie dabei in neue Gruppen geordnet und nicht in bereits bestehende Kategorien zugeordnet (vgl. [[bigdata:literatur#b|Barnes 2015: S. 169f]]).
bigdata/machinelearning.txt · Zuletzt geändert: 2015/10/05 20:34 von brueck