Machine learning technieken zijn nodig om de nauwkeurigheid van voorspellende modellen te verbeteren. Afhankelijk van de aard van het bedrijfsprobleem dat wordt aangepakt, zijn er verschillende benaderingen op basis van het type en de omvang van de gegevens. In deze sectie bespreken we de categorieën van machine learning.
leren onder toezicht
leren onder toezicht begint doorgaans met een gevestigde reeks gegevens en een zekere kennis van de manier waarop die gegevens worden geclassificeerd. Begeleid leren is bedoeld om patronen te vinden in gegevens die kunnen worden toegepast op een analytics-proces. Deze gegevens hebben gelabeld functies die de Betekenis van gegevens te definiëren. U kunt bijvoorbeeld een machine-learning applicatie maken die onderscheid maakt tussen miljoenen dieren, op basis van afbeeldingen en geschreven beschrijvingen.
Unsupervised learning
Unsupervised learning wordt gebruikt wanneer het probleem een enorme hoeveelheid niet-gelabelde gegevens vereist. Bijvoorbeeld, social media-toepassingen, zoals Twitter, Instagram en Snapchat, hebben allemaal grote hoeveelheden van niet-gelabelde gegevens. Het begrijpen van de betekenis achter deze gegevens vereist algoritmen die de gegevens classificeren die op de patronen of clusters worden gebaseerd het vindt.Unsupervised learning voert een iteratief proces uit, waarbij gegevens worden geanalyseerd zonder menselijke tussenkomst. Het wordt gebruikt met e-mail spam-detecteren technologie. Er zijn veel te veel variabelen in legitieme en spam e-mails voor een analist om ongevraagde bulk e-mail taggen. In plaats daarvan, machine-learning classifiers, gebaseerd op clustering en vereniging, worden toegepast om ongewenste e-mail te identificeren.
Reinforcement learning
Reinforcement learning is een gedragsleermodel. Het algoritme ontvangt feedback van de data-analyse, het begeleiden van de gebruiker naar het beste resultaat. Reinforcement learning verschilt van andere vormen van begeleid leren, omdat het systeem niet is getraind met de sample data set. Integendeel, het systeem leert door vallen en opstaan. Daarom zal een reeks succesvolle beslissingen resulteren in het proces wordt versterkt, omdat het het beste oplost het probleem bij de hand.
Deep learning
Deep learning is een specifieke methode voor machine learning die neurale netwerken in opeenvolgende lagen omvat om op iteratieve wijze van gegevens te leren. Deep learning is vooral handig als je probeert om patronen te leren van ongestructureerde gegevens.Deep learning complexe neurale netwerken zijn ontworpen om na te bootsen hoe het menselijk brein werkt, zodat computers kunnen worden getraind om slecht gedefinieerde abstracties en problemen aan te pakken. Het gemiddelde vijfjarige kind kan gemakkelijk het verschil herkennen tussen het gezicht van zijn leraar en het gezicht van de klaar-over. In tegenstelling, de computer moet veel werk te doen om erachter te komen wie is wie. De neurale netwerken en het diepe leren worden vaak gebruikt in beeldherkenning, toespraak, en de toepassingen van de computervisie.