maskinlæringsteknikker er nødvendige for at forbedre nøjagtigheden af forudsigelige modeller. Afhængigt af arten af det forretningsproblem, der behandles, er der forskellige tilgange baseret på typen og mængden af dataene. I dette afsnit diskuterer vi kategorierne af maskinindlæring.
overvåget læring
overvåget læring begynder typisk med et etableret sæt data og en vis forståelse af, hvordan disse data klassificeres. Overvåget læring er beregnet til at finde mønstre i data, der kan anvendes til en analyseproces. Disse data har mærkede funktioner, der definerer betydningen af data. For eksempel kan du oprette en maskinlæringsapplikation, der skelner mellem millioner af dyr, baseret påbilleder og skriftlige beskrivelser.
uovervåget læring
uovervåget læring bruges, når problemet kræver en massiv mængde umærkede data. For eksempel har sociale medieapplikationer, såsom kvidre, Instagram og Snapchat, alle store mængder umærkede data. At forstå betydningen bag disse data kræver algoritmer, der klassificerer dataene baseret på de mønstre eller klynger, de finder.
Unsupervised learning udfører en iterativ proces, der analyserer data uden menneskelig indgriben. Det bruges med e-mail spam-afsløring teknologi. Der er alt for mange variabler i legitime og spam-e-mails til, at en analytiker kan tagge uopfordret bulk-e-mail. I stedet anvendes maskinlæringsklassifikatorer baseret på klyngedannelse og tilknytning til at identificere uønsket e-mail.
forstærkning læring
forstærkning læring er en adfærdsmæssig læring model. Algoritmen modtager feedback fra dataanalysen, der styrer brugeren til det bedste resultat. Forstærkning læring adskiller sig fra andre typer af overvåget læring, fordi systemet ikke er uddannet med prøven datasæt. I stedet lærer systemet gennem forsøg og fejl. Derfor vil en række vellykkede beslutninger resultere i, at processen styrkes, fordi den bedst løser det aktuelle problem.
dyb læring
dyb læring er en specifik metode til maskinindlæring, der inkorporerer neurale netværk i successive lag for at lære af data på en iterativ måde. Dyb læring er især nyttig, når du prøver at lære mønstre fra ustrukturerede data.
Deep learning komplekse neurale netværk er designet til at efterligne, hvordan den menneskelige hjerne fungerer, så computere kan trænes til at håndtere dårligt definerede abstraktioner og problemer. Det gennemsnitlige femårige barn kan let genkende forskellen mellem hans lærers ansigt og krydsningsvagtens ansigt. I modsætning hertil skal computeren gøre en masse arbejde for at finde ud af, hvem der er hvem. Neurale netværk og dyb læring bruges ofte i billedgenkendelse, tale og computer vision applikationer.