आर्टिफिशियल इंटेलिजेंस बनाम बिजनेस इंटेलिजेंस – 6 उपयोगी तुलना जानें

रिपोर्टिंग, ओलाप (ऑनलाइन विश्लेषणात्मक प्रसंस्करण)

यह रूट नोड से शुरू होता है और पहले पड़ोसी नोड्स की पड़ताल करता है और अगले स्तर के पड़ोसी नोड्स में जाता है। यह समाधान के लिए सबसे छोटा रास्ता प्रदान करता है और फीफो का उपयोग करके कार्यान्वित किया जा सकता है

यह मानव-समझने योग्य नियमों के रूप में भविष्यवाणी की जानकारी निकालता है और ये नियम तब-अगर हो सकते हैं जो पूर्वानुमानित जानकारी की ओर जाता है

यह एल्गोरिदम एलआईएफओ (अंतिम में पहली बार) डेटा संरचना का उपयोग करके कार्यान्वित किया गया है। यह नोड्स को चौड़ाई-पहली खोज के समान बनाता है लेकिन यह केवल क्रम में भिन्न होता है। प्रत्येक पुनरावृत्ति में, यह नोड्स को रूट से पत्ते तक संग्रहीत करता है और यह डुप्लिकेट नोड्स को भी नहीं देख सकता ।

यह बेयस एल्गोरिदम का उपयोग करके भविष्यवाणियां करता है, जो अंतर्निहित साक्ष्य से संभाव्यता पूर्वानुमान प्राप्त करता है, जैसा कि डेटा में देखा गया है।

इस एल्गोरिदम में, सॉर्टिंग को नोड के पथ की बढ़ती लागत में किया जाता है। यह हमेशा कम लागत वाले नोड का विस्तार करता है। यह खोज ब्रेडथ-पहली खोज के समान होती है यदि प्रत्येक संक्रमण में एक ही लागत होती है। यह बढ़ने में पथ की खोज करता है लागत का आदेश

यह निरंतर लक्ष्य के लिए द्विआधारी लक्ष्यों और रैखिक प्रतिगमन के वर्गीकरण के लिए लॉजिस्टिक रिग्रेशन लागू करता है। यह पूर्वानुमान संभावनाओं के लिए आत्मविश्वास सीमा का समर्थन करता है और पूर्वानुमान के लिए आत्मविश्वास सीमा का भी समर्थन करता है।

यह स्तर -1 पर गहराई से पहली खोज करता है और शुरू होता है, फिर पूर्ण गहराई को निष्पादित करता है-स्तर 2 पर पहली खोज करता है, और तब तक जारी रहता है जब तक कि यह समाधान न हो जाए।

यह एक सैद्धांतिक मॉडल चयन सिद्धांत है। यह मानता है कि डेटा का सबसे सरल, कॉम्पैक्ट प्रतिनिधित्व डेटा को समझाने का सबसे अच्छा तरीका है

यह अपने ह्युरिस्टिक मूल्यों के क्रम में नोड्स का विस्तार करता है। यह दो सूचियां बनाता है, पहले से विस्तारित नोड्स के लिए एक बंद सूची और बनाए गए लेकिन अप्रत्याशित नोड्स के लिए एक खुली सूची बनाता है। इसमें, छोटे पथ सहेजे जाते हैं और लंबे पथ का निपटारा किया जाता है।

यह एक दूरी-आधारित क्लस्टरिंग एल्गोरिदम है जो डेटा को पूर्व-निर्धारित संख्या में क्लस्टर का विभाजन करता है। प्रत्येक क्लस्टर में एक सेंट्रॉइड है

इस एल्गोरिदम में, मुख्य उद्देश्य एक शहर से शुरू होने वाले कम लागत वाली यात्रा को ढूंढना है, एक ही शहर में शुरू होने वाले सभी शहरों में एक बार यात्रा करना और समाप्त होना चाहिए।

यह एक सेट के भीतर सह-घटित वस्तुओं की खोज करके बाजार-आधारित विश्लेषण करता है। यह एल्गोरिदम निर्दिष्ट न्यूनतम समर्थन और निर्दिष्ट न्यूनतम आत्मविश्वास से अधिक आत्मविश्वास से अधिक समर्थन के साथ नियम पाता है।

यह एक पुनरावृत्ति एल्गोरिदम है जो किसी समस्या के मनमाने ढंग से समाधान के साथ शुरू होता है और समाधान के एक तत्व को क्रमशः बदलकर बेहतर समाधान खोजने का प्रयास करता है। अगर वह परिवर्तन बेहतर समाधान उत्पन्न करता है, तो एक नया समाधान के रूप में एक वृद्धिशील परिवर्तन लिया जाता है। प्रक्रिया में तब तक दोहराया जाता है जब तक कोई और सुधार न हो।

एसवीएम के अलग-अलग संस्करण अलग-अलग प्रकार के डेटा सेटों को संभालने के लिए विभिन्न कर्नेल फ़ंक्शंस का उपयोग करते हैं। लाइनर और गॉसियन (गैर-रैखिक) कर्नेल समर्थित हैं। एसवीएम वर्गीकरण लक्ष्य वर्गों को व्यापक संभव मार्जिन से अलग करने का प्रयास करता है। एसवीएम प्रतिगमन निरंतर कार्य खोजने की कोशिश करता है जैसे कि डेटा बिंदुओं की अधिकतम संख्या इसके आस-पास एक ईपीएसलॉन-व्यापी ट्यूब के भीतर होती है।