maskininlärningstekniker krävs för att förbättra noggrannheten hos prediktiva modeller. Beroende på arten av affärsproblemet som behandlas finns det olika tillvägagångssätt baserat på datatyp och volym. I det här avsnittet diskuterar vi kategorierna maskininlärning.
övervakat lärande
övervakat lärande börjar vanligtvis med en etablerad uppsättning data och en viss förståelse för hur dessa data klassificeras. Övervakat lärande är avsett att hitta mönster i data som kan tillämpas på en analysprocess. Dessa data har märkta funktioner som definierar betydelsen av data. Du kan till exempel skapa en maskininlärningsapplikation som skiljer mellan miljontals djur, baserat påbilder och skriftliga beskrivningar.
oövervakat lärande
oövervakat lärande används när problemet kräver en enorm mängd omärkta data. Till exempel har sociala medieapplikationer, som Twitter, Instagram och Snapchat, alla stora mängder omärkt data. Att förstå innebörden bakom dessa data kräver algoritmer som klassificerar data baserat på de mönster eller kluster som den hittar.
oövervakat lärande genomför en iterativ process som analyserar data utan mänsklig intervention. Den används med e-post spam upptäcka teknik. Det finns alldeles för många variabler i legitima och spam-e-postmeddelanden för en analytiker att tagga oönskad massmail. Istället används maskininlärningsklassificerare, baserade på kluster och associering, för att identifiera oönskad e-post.
Förstärkningsinlärning
Förstärkningsinlärning är en beteendeinlärningsmodell. Algoritmen får feedback från dataanalysen, vilket leder användaren till det bästa resultatet. Förstärkningsinlärning skiljer sig från andra typer av övervakat lärande, eftersom systemet inte tränas med provdatauppsättningen. Snarare lär systemet sig genom försök och fel. Därför kommer en sekvens av framgångsrika beslut att resultera i att processen förstärks, eftersom den bäst löser problemet till hands.
Deep learning
Deep learning är en specifik metod för maskininlärning som innehåller neurala nätverk i successiva lager för att lära av data på ett iterativt sätt. Djupinlärning är särskilt användbart när du försöker lära dig mönster från ostrukturerad data.
Deep learning komplexa neurala nätverk är utformade för att efterlikna hur den mänskliga hjärnan fungerar, så datorer kan utbildas för att hantera dåligt definierade abstraktioner och problem. Det genomsnittliga femåriga barnet kan lätt känna igen skillnaden mellan hans lärares ansikte och korsvaktens ansikte. Däremot måste datorn göra mycket arbete för att ta reda på vem som är vem. Neurala nätverk och djupt lärande används ofta i bildigenkänning, tal och datorsynsapplikationer.