Maskinlæringsteknikker kreves for å forbedre nøyaktigheten til prediktive modeller. Avhengig av arten av forretningsproblemet som tas opp, er det forskjellige tilnærminger basert på type og volum av dataene. I denne delen diskuterer vi kategoriene maskinlæring.
Veiledet læring
Veiledet læring begynner vanligvis med et etablert sett med data og en viss forståelse av hvordan dataene er klassifisert. Overvåket læring er ment å finne mønstre i data som kan brukes til en analyseprosess. Disse dataene har merkede funksjoner som definerer betydningen av data. For eksempel kan du opprette et maskinlæringsprogram som skiller mellom millioner av dyr, basert påbilder og skriftlige beskrivelser.
unsupervised learning
Unsupervised learning brukes når problemet krever en massiv mengde umerkede data. For eksempel har sosiale medier, Som Twitter, Instagram og Snapchat, alle store mengder umerkede data. Å forstå betydningen bak disse dataene krever algoritmer som klassifiserer dataene basert på mønstrene eller klyngene den finner.
Unsupervised learning gjennomfører en iterativ prosess, analyserer data uten menneskelig inngrep. Den brukes med e-post spam-oppdage teknologi. Det er altfor mange variabler i legitime og spam e-post for en analytiker å merke uønsket bulk e-post. I stedet brukes maskinlærings klassifiserere, basert på clustering og forening, for å identifisere uønsket e-post.
Forsterkning læring
Forsterkning læring er en atferds læring modell. Algoritmen mottar tilbakemelding fra dataanalysen, og veileder brukeren til det beste resultatet. Forsterkningslæring skiller seg fra andre typer veiledet læring, fordi systemet ikke er opplært med prøvedatasettet. Snarere lærer systemet gjennom prøving og feiling. Derfor vil en rekke vellykkede beslutninger resultere i at prosessen blir forsterket, fordi den best løser problemet ved hånden.
Dyp læring
Dyp læring er en spesifikk metode for maskinlæring som inkorporerer nevrale nettverk i suksessive lag for å lære av data på en iterativ måte. Dyp læring er spesielt nyttig når du prøver å lære mønstre fra ustrukturerte data.
Deep learning komplekse nevrale nettverk er utformet for å etterligne hvordan den menneskelige hjerne fungerer, slik at datamaskiner kan trenes til å håndtere dårlig definerte abstraksjoner og problemer. Det gjennomsnittlige femårige barnet kan lett gjenkjenne forskjellen mellom lærerens ansikt og ansiktet på kryssvakt. I motsetning må datamaskinen gjøre mye arbeid for å finne ut hvem som er hvem. Nevrale nettverk og dyp læring brukes ofte i bildegjenkjenning, tale og datasynapplikasjoner.