técnicas de aprendizagem de máquinas são necessárias para melhorar a precisão dos modelos preditivos. Dependendo da natureza do problema de negócios que está sendo abordado, existem diferentes abordagens baseadas no tipo e volume dos dados. Nesta seção, discutimos as categorias de aprendizado de máquina.
aprendizagem supervisionada
aprendizagem supervisionada normalmente começa com um conjunto estabelecido de dados e uma certa compreensão de como esses dados são classificados. A aprendizagem supervisionada destina-se a encontrar padrões em dados que podem ser aplicados a um processo de análise. Estes dados Tem características rotuladas que definem o significado dos dados. Por exemplo, você pode criar uma aplicação de aprendizagem de máquinas que distingue entre milhões de animais, com base em imagens e descrições escritas.
aprendizagem não supervisionada
aprendizagem não supervisionada é usada quando o problema requer uma quantidade maciça de dados não marcados. Por exemplo, aplicações de mídia social, como Twitter, Instagram e Snapchat, todos têm grandes quantidades de dados não marcados. Compreender o significado por trás destes dados requer algoritmos que classifiquem os dados com base nos padrões ou clusters que encontra.
a aprendizagem não supervisionada conduz um processo iterativo, analisando dados sem intervenção humana. É usado com tecnologia de detecção de spam por e-mail. Há demasiadas variáveis em E-mails legítimos e de spam para um analista marcar e-mail em massa não solicitado. Em vez disso, classificadores de aprendizado de máquina, com base em agrupamento e Associação, são aplicados para identificar e-mails indesejados.
reforço da aprendizagem
reforço da aprendizagem é um modelo comportamental de aprendizagem. O algoritmo recebe feedback da análise de dados, guiando o Usuário para o melhor resultado. A aprendizagem de reforço difere de outros tipos de aprendizagem supervisionada, porque o sistema não é treinado com o conjunto de dados de amostra. Em vez disso, o sistema aprende através de tentativa e erro. Por conseguinte, uma sequência de decisões bem sucedidas resultará no reforço do processo, pois é melhor resolver o problema em mãos.
a aprendizagem profunda
a aprendizagem profunda é um método específico de aprendizagem de máquinas que incorpora redes neurais em camadas sucessivas para aprender com os dados de uma forma iterativa. Aprender profundamente é especialmente útil quando você está tentando aprender padrões de dados não estruturados.
redes neurais complexas de aprendizagem profunda são projetadas para imitar como o cérebro humano funciona, de modo que os computadores podem ser treinados para lidar com abstrações e problemas mal definidos. A criança média de cinco anos de idade pode facilmente reconhecer a diferença entre o rosto de seu professor e o rosto do guarda de passagem. Em contraste, o computador deve fazer muito trabalho para descobrir quem é quem. As redes neurais e a aprendizagem profunda são frequentemente usadas em aplicações de reconhecimento de imagens, fala e visão de computador.