techniky strojového učení jsou vyžadovány ke zlepšení přesnosti prediktivních modelů. V závislosti na povaze řešeného obchodního problému existují různé přístupy založené na typu a objemu dat. V této části diskutujeme Kategorie strojového učení.
učení s učitelem
učení s učitelem obvykle začíná s zavedenou data a určité pochopení toho, jak data jsou tajná. Cílem supervizovaného učení je najít vzory v datech, které lze použít pro analytický proces. Tato data mají označené funkce, které definují význam dat. Můžete například vytvořit aplikaci pro strojové učení, která rozlišuje mezi miliony zvířat na základěobrázky a písemné popisy.
učení bez dozoru
učení bez dozoru se používá, když problém vyžaduje obrovské množství neoznačených dat. Například aplikace sociálních médií, jako jsou Twitter, Instagram a Snapchat, mají velké množství neoznačených dat. Pochopení významu těchto dat vyžaduje algoritmy, které klasifikují data na základě vzorů nebo shluků, které najde.
učení bez dozoru provádí iterativní proces, který analyzuje data bez zásahu člověka. Používá se s technologií detekce e-mailového spamu. V legitimních a spamových e-mailech je příliš mnoho proměnných, aby analytik mohl označit nevyžádaný hromadný e-mail. Místo toho se klasifikátory strojového učení založené na shlukování a asociaci používají k identifikaci nežádoucích e-mailů.
Posílení učení
Posílení učení je behaviorální model učení. Algoritmus obdrží zpětnou vazbu z analýzy dat a vede uživatele k nejlepšímu výsledku. Výztužné učení se liší od ostatních typů supervizovaného učení, protože systém není vyškolen se sadou vzorových dat. Spíše se systém učí prostřednictvím pokusů a omylů. Proto bude posloupnost úspěšných rozhodnutí mít za následek posílení procesu,protože nejlépe řeší problém.
Hluboké učení
Hluboké učení je specifická metoda strojového učení, která zahrnuje neuronové sítě v po sobě následujících vrstvách se naučit z dat v iterativním způsobem. Hluboké učení je zvláště užitečné, když se snažíte naučit vzory z nestrukturovaných dat.
Hluboké učení složitých neuronových sítí jsou navrženy tak, aby napodobit to, jak funguje lidský mozek, takže počítače mohou být vyškoleni k řešení s nedostatečně definovanými abstrakce a problémy. Průměrné pětileté dítě může snadno rozpoznat rozdíl mezi tváří svého učitele a tváří strážce přechodu. Naproti tomu počítač musí udělat hodně práce, aby zjistil, kdo je kdo. Neuronové sítě a hluboké učení se často používají v aplikacích rozpoznávání obrazu, řeči a počítačového vidění.