Pro zlepšení přesnosti prediktivních modelů jsou nutné techniky strojového učení. V závislosti na povaze řešeného obchodního problému existují různé přístupy založené na typu a objemu dat. V této části se budeme zabývat kategoriemi strojového učení.

Supervised learning

Supervised learning obvykle začíná se zavedeným souborem dat a určitou znalostí způsobu klasifikace těchto dat. Účelem supervidovaného učení je najít v datech vzory, které lze použít v analytickém procesu. Tato data mají označené rysy, které definují význam dat. Můžete například vytvořit aplikaci strojového učení, která rozlišuje miliony zvířat na základěobrázků a písemných popisů.

Učení bez dozoru

Učení bez dozoru se používá, když problém vyžaduje obrovské množství neoznačených dat. Například aplikace sociálních médií, jako jsou Twitter, Instagram a Snapchat, obsahují velké množství neoznačených dat. Pochopení významu těchto dat vyžaduje algoritmy, které klasifikují data na základě nalezených vzorů nebo shluků.

Unsupervised learning provádí iterativní proces a analyzuje data bez zásahu člověka. Používá se u technologie detekce e-mailového spamu. V legitimních a nevyžádaných e-mailech je příliš mnoho proměnných na to, aby analytik mohl nevyžádané hromadné e-maily označit. Místo toho se k identifikaci nevyžádaných e-mailů používají klasifikátory strojového učení založené na shlukování a asociaci.

Reinforcement learning

Reinforcement learning je model behaviorálního učení. Algoritmus získává zpětnou vazbu z analýzy dat a vede uživatele k nejlepšímu výsledku. Učení s posilováním se liší od ostatních typů učení s dohledem, protože systém není trénován pomocí vzorové sady dat. Systém se spíše učí metodou pokusů a omylů. Proto posloupnost úspěšných rozhodnutí vyústí v posílení procesu, protože nejlépe řeší daný problém.

Hloubkové učení

Hloubkové učení je specifická metoda strojového učení, která zahrnuje neuronové sítě v po sobě jdoucích vrstvách a učí se z dat iterativním způsobem. Hluboké učení je užitečné zejména tehdy, když se snažíte naučit vzory z nestrukturovaných dat.

Složité neuronové sítě pro hluboké učení jsou navrženy tak, aby napodobovaly fungování lidského mozku, takže počítače lze vycvičit k řešení špatně definovaných abstrakcí a problémů. Průměrné pětileté dítě snadno rozpozná rozdíl mezi tváří svého učitele a tváří hlídače na přechodu. Naproti tomu počítač musí vynaložit spoustu práce, aby zjistil, kdo je kdo. Neuronové sítě a hluboké učení se často používají v aplikacích pro rozpoznávání obrazu, řeči a počítačového vidění

.