koneoppimisen tekniikoita tarvitaan ennustemallien tarkkuuden parantamiseksi. Käsiteltävän liiketoimintaongelman luonteesta riippuen on olemassa erilaisia lähestymistapoja, jotka perustuvat tietojen tyyppiin ja määrään. Tässä osiossa käsitellään koneoppimisen luokkia.
valvottu oppiminen
valvottu oppiminen alkaa tyypillisesti vakiintuneella tietojoukolla ja tietynlaisella ymmärryksellä siitä, miten kyseinen tieto on luokiteltu. Ohjatun oppimisen tarkoituksena on löytää datasta malleja, joita voidaan soveltaa analytiikkaprosessiin. Tähän dataan on merkitty ominaisuuksia, jotka määrittelevät datan merkityksen. Voit esimerkiksi luoda koneoppimisen sovelluksen, joka erottaa miljoonia eläimiä, perustumakuvien ja kirjallisten kuvausten perusteella.
valvomaton oppiminen
valvomaton oppiminen käytetään silloin, kun ongelma vaatii valtavan määrän merkitsemätöntä tietoa. Esimerkiksi sosiaalisen median sovellukset, kuten Twitter, Instagram ja Snapchat, ovat kaikki suuria määriä merkitsemätöntä tietoa. Tämän tiedon merkityksen ymmärtäminen edellyttää algoritmeja, jotka luokittelevat tiedon löytämiensä kaavojen tai klusterien perusteella.
valvomaton oppiminen suorittaa iteratiivisen prosessin, jossa dataa analysoidaan ilman ihmisen väliintuloa. Sitä käytetään sähköpostin roskapostia tunnistavan teknologian kanssa. On aivan liian monta muuttujaa laillisia ja roskapostia sähköposteja analyytikko merkitä ei-tilattu irtotavarana sähköpostia. Sen sijaan ei-toivottujen sähköpostien tunnistamiseen käytetään koneoppimisen luokittelijoita, jotka perustuvat klusterointiin ja assosiaatioon.
vahvistaminen oppiminen
vahvistaminen oppiminen on käyttäytymistieteellinen oppimismalli. Algoritmi saa data-analyysistä palautetta, joka ohjaa käyttäjää parhaaseen lopputulokseen. Tehosteoppiminen eroaa muista ohjatuista oppimistyypeistä, koska järjestelmää ei kouluteta näytetietojen avulla. Sen sijaan järjestelmä oppii yrityksen ja erehdyksen kautta. Siksi sarja onnistuneita päätöksiä johtaa Prosessin vahvistamiseen, koska se parhaiten ratkaisee käsillä olevan ongelman.
Syväoppiminen
Syväoppiminen on koneoppimisen erityinen menetelmä, jossa neuroverkot sisällytetään peräkkäisiin kerroksiin, jotta datasta voidaan oppia iteratiivisesti. Syväoppiminen on erityisen hyödyllistä, kun yrität oppia kuvioita jäsentymättömästä datasta.
syväoppimisen monimutkaiset hermoverkot on suunniteltu jäljittelemään ihmisaivojen toimintaa, joten tietokoneita voidaan kouluttaa käsittelemään huonosti määriteltyjä abstraktioita ja ongelmia. Tavallinen viisivuotias lapsi tunnistaa helposti eron opettajansa kasvojen ja risteysvartijan kasvojen välillä. Sen sijaan tietokoneen täytyy tehdä paljon työtä selvittääkseen, kuka on kuka. Neuroverkkoja ja syväoppimista käytetään usein kuvantunnistus -, puhe-ja tietokonenäkösovelluksissa.