gépi tanulási technikák szükségesek a prediktív modellek pontosságának javításához. A kezelendő üzleti probléma jellegétől függően az adatok típusa és mennyisége alapján különböző megközelítések léteznek. Ebben a részben a gépi tanulás kategóriáit tárgyaljuk.
felügyelt tanulás
a felügyelt tanulás általában egy meghatározott adathalmazzal és az adatok osztályozásának bizonyos megértésével kezdődik. A felügyelt tanulás célja, hogy olyan mintákat találjon az adatokban, amelyek alkalmazhatók egy elemzési folyamatra. Ezek az adatok címkézett funkciókat tartalmaznak, amelyek meghatározzák az adatok jelentését. Létrehozhat például egy gépi tanulási alkalmazást, amely képek és írásos leírások alapján több millió állatot különböztet meg.
felügyelet nélküli tanulás
felügyelet nélküli tanulás akkor használható, ha a probléma nagy mennyiségű címkézetlen adatot igényel. Például a közösségi média alkalmazások, mint például a Twitter, az Instagram és a Snapchat, nagy mennyiségű címkézetlen adatot tartalmaznak. Az adatok mögött rejlő jelentés megértéséhez algoritmusokra van szükség, amelyek az adatokat a talált minták vagy klaszterek alapján osztályozzák.
a felügyelet nélküli tanulás iteratív folyamatot folytat, emberi beavatkozás nélkül elemezve az adatokat. E-mail spam-észlelő technológiával használják. Túl sok változó van a törvényes és spam e-mailekben ahhoz, hogy egy elemző megcímkézhesse a kéretlen tömeges e-maileket. Ehelyett a csoportosításon és társításon alapuló gépi tanulási osztályozókat alkalmazzák a nem kívánt e-mailek azonosítására.
megerősítés tanulás
megerősítés tanulás egy viselkedési tanulási modell. Az algoritmus visszajelzést kap az adatelemzésből, irányítva a felhasználót a legjobb eredményre. A megerősítéses tanulás különbözik a felügyelt tanulás más típusaitól, mivel a rendszer nincs betanítva a mintaadatkészlettel. Inkább a rendszer próbálgatással tanul. Ezért a sikeres döntések sorozata a folyamat megerősítését eredményezi, mert a legjobban megoldja a problémát.
mély tanulás
a mély tanulás a gépi tanulás egy speciális módszere, amely magában foglalja a neurális hálózatokat egymást követő rétegekben, hogy az adatokból iteratív módon tanuljanak. A mély tanulás különösen akkor hasznos, ha strukturálatlan adatokból próbál mintákat tanulni.
a Deep learning complex neurális hálózatokat úgy tervezték, hogy utánozzák az emberi agy működését, így a számítógépek kiképezhetők a rosszul definiált absztrakciók és problémák kezelésére. Egy átlagos ötéves gyermek könnyen felismeri a különbséget a tanár arca és az átkelőőr arca között. Ezzel szemben a számítógépnek sok munkát kell végeznie, hogy kitalálja, ki kicsoda. A neurális hálózatokat és a mély tanulást gyakran használják a képfelismerésben, a beszédben és a számítógépes látásalkalmazásokban.