予測モデルの精度を向上させるためには、機械学習技術が必要です。 対処されているビジネス上の問題の性質に応じて、データの種類と量に基づいて異なるアプローチがあります。 このセクションでは、機械学習のカテゴリについて説明します。
教師あり学習
教師あり学習は、通常、確立されたデータのセットと、そのデータがどのように分類されるかについての一定の理解から始まります。 教師あり学習は、分析プロセスに適用できるデータのパターンを見つけることを目的としています。 このデータには、データの意味を定義するラベル付きフィーチャがあります。 たとえば、何百万もの動物を区別する機械学習アプリケーションを作成することができます画像と書かれた説明。
教師なし学習
教師なし学習は、問題が大量のラベルのないデータを必要とする場合に使用されます。 例えば、Twitter、Instagram、Snapchatなどのソーシャルメディアアプリケーションはすべて、ラベルのない大量のデータを持っています。 このデータの背後にある意味を理解するには、検出されたパターンまたはクラスターに基づいてデータを分類するアルゴリズムが必要です。
教師なし学習は、人間の介入なしにデータを分析し、反復的なプロセスを行います。 それは電子メールのスパム検出の技術と使用される。 アナリストが迷惑なバルクメールにタグを付けるには、正当なスパムメールとスパムメールにはあまりにも多くの変数があります。 代わりに、クラスタリングと関連付けに基づく機械学習分類器が、不要な電子メールを識別するために適用されます。
強化学習
強化学習は行動学習モデルです。 アルゴリズムはデータ分析からフィードバックを受け取り、ユーザーを最良の結果に導きます。 強化学習は、システムがサンプルデータセットで訓練されていないため、他のタイプの教師あり学習とは異なります。 むしろ、システムは試行錯誤を通して学習します。 したがって、一連の成功した決定は、手元の問題を最もよく解決するため、プロセスが強化される結果になります。
ディープラーニング
ディープラーニングは、データから反復的に学習するために連続する層にニューラルネットワークを組み込んだ機械学習の特定の方法です。 ディープラーニングは、非構造化データからパターンを学習しようとしているときに特に便利です。
ディープラーニング複雑なニューラルネットワークは、人間の脳がどのように機能するかをエミュレートするように設計されているため、コンピュータは定義されていない抽象化や問題に対処するように訓練することができます。 平均的な5歳の子供は、教師の顔と交差ガードの顔の違いを簡単に認識することができます。 これとは対照的に、コンピュータは誰が誰であるかを把握するために多くの作業を行う必要があります。 ニューラルネットワークと深層学習は、画像認識、音声、およびコンピュータビジョンアプリケーションでよく使用されます。