tehnicile de învățare automată sunt necesare pentru a îmbunătăți acuratețea modelelor predictive. În funcție de natura problemei de afaceri abordate, există abordări diferite bazate pe tipul și volumul datelor. În această secțiune, discutăm categoriile de învățare automată.
învățarea supravegheată
învățarea supravegheată începe de obicei cu un set stabilit de date și o anumită înțelegere a modului în care aceste date sunt clasificate. Învățarea supravegheată este destinată să găsească modele în date care pot fi aplicate unui proces de analiză. Aceste date au etichetat caracteristici care definesc semnificația datelor. De exemplu, puteți crea o aplicație de învățare automată care distinge între milioane de animale, pe bazaimagini și descrieri scrise.
învățarea nesupravegheată
învățarea nesupravegheată este utilizată atunci când problema necesită o cantitate masivă de date neetichetate. De exemplu, aplicațiile de social media, cum ar fi Twitter, Instagram și Snapchat, toate au cantități mari de date neetichetate. Înțelegerea semnificației din spatele acestor date necesită algoritmi care clasifică datele pe baza modelelor sau clusterelor pe care le găsește.
învățarea nesupravegheată efectuează un proces iterativ, analizând datele fără intervenția umană. Este utilizat cu tehnologia de detectare a spamului prin e-mail. Există prea multe variabile în e-mailurile legitime și spam pentru ca un analist să eticheteze e-mailurile în vrac nesolicitate. În schimb, clasificatorii de învățare automată, bazați pe grupare și asociere, sunt aplicați pentru a identifica e-mailurile nedorite.
învățarea prin întărire
învățarea prin întărire este un model de învățare comportamentală. Algoritmul primește feedback din analiza datelor, ghidând utilizatorul către cel mai bun rezultat. Învățarea prin întărire diferă de alte tipuri de învățare supravegheată, deoarece sistemul nu este instruit cu setul de date eșantion. Mai degrabă, sistemul învață prin încercări și erori. Prin urmare, o succesiune de decizii de succes va duce la consolidarea procesului, deoarece rezolvă cel mai bine problema la îndemână.
învățarea profundă
învățarea profundă este o metodă specifică de învățare automată care încorporează rețele neuronale în straturi succesive pentru a învăța din date într-o manieră iterativă. Învățarea profundă este utilă în special atunci când încercați să învățați Modele din date nestructurate.
rețelele neuronale complexe de învățare profundă sunt concepute pentru a imita modul în care funcționează creierul uman, astfel încât computerele pot fi instruite pentru a face față abstracțiilor și problemelor slab definite. Copilul mediu de cinci ani poate recunoaște cu ușurință diferența dintre fața profesorului său și fața gardianului de trecere. În schimb, computerul trebuie să facă multă muncă pentru a afla cine este cine. Rețelele neuronale și învățarea profundă sunt adesea folosite în aplicațiile de recunoaștere a imaginilor, vorbire și viziune computerizată.