techniki uczenia maszynowego są niezbędne do poprawy dokładności modeli predykcyjnych. W zależności od charakteru problemu biznesowego są rozwiązywane, istnieją różne podejścia w zależności od rodzaju i ilości danych. W tej sekcji omówimy kategorie uczenia maszynowego.
nadzorowane uczenie się
nadzorowane uczenie się zwykle rozpoczyna się od ustalonego zestawu danych i pewnego zrozumienia, w jaki sposób dane te są klasyfikowane. Nadzorowane uczenie ma na celu znalezienie wzorców w danych, które można zastosować do procesu analitycznego. Te dane mają oznaczone cechy, które definiują znaczenie danych. Na przykład można utworzyć aplikację do uczenia maszynowego, która rozróżnia miliony zwierząt na podstawie obrazków i pisemnych opisów.
uczenie się bez nadzoru
uczenie bez nadzoru jest używane, gdy problem wymaga ogromnej ilości nieoznakowanych danych. Na przykład aplikacje społecznościowe, takie jak Twitter, Instagram i Snapchat, mają duże ilości nieoznakowanych danych. Zrozumienie znaczenia tych danych wymaga algorytmów, które klasyfikują dane na podstawie wzorców lub klastrów, które znajdują.
uczenie się bez nadzoru prowadzi iteracyjny proces, analizując dane bez interwencji człowieka. Jest używany z technologią wykrywania spamu e-mail. Istnieje zbyt wiele zmiennych w legalnych i spamowych wiadomościach e-mail, aby analityk mógł oznaczyć niechciane masowe wiadomości e-mail. Zamiast tego klasyfikatory uczenia maszynowego, oparte na klastrowaniu i asocjacji, są stosowane do identyfikacji niechcianych wiadomości e-mail.
uczenie się przez wzmacnianie
uczenie się przez wzmacnianie jest behawioralnym modelem uczenia się. Algorytm otrzymuje informacje zwrotne z analizy danych, prowadząc użytkownika do najlepszego wyniku. Uczenie się przez wzmacnianie różni się od innych rodzajów uczenia nadzorowanego, ponieważ system nie jest szkolony z przykładowym zestawem danych. System uczy się raczej metodą prób i błędów. Dlatego Sekwencja udanych decyzji spowoduje, że proces zostanie wzmocniony, ponieważ najlepiej rozwiąże problem.
deep learning
deep learning to specyficzna metoda uczenia maszynowego, która łączy sieci neuronowe w kolejnych warstwach, aby uczyć się na podstawie danych w sposób iteracyjny. Głębokie uczenie jest szczególnie przydatne, gdy próbujesz uczyć się wzorców z nieustrukturyzowanych danych.
złożone sieci neuronowe Deep learning są zaprojektowane tak, aby naśladować działanie ludzkiego mózgu, dzięki czemu komputery mogą być szkolone do radzenia sobie ze słabo zdefiniowanymi abstrakcjami i problemami. Przeciętne pięcioletnie dziecko może łatwo rozpoznać różnicę między twarzą swojego nauczyciela a twarzą strażnika. W przeciwieństwie do tego, komputer musi wykonać wiele pracy, aby dowiedzieć się, kto jest kim. Sieci neuronowe i głębokie uczenie są często używane w rozpoznawaniu obrazów, mowie i wizji komputerowej.