Machine-learning technieken zijn nodig om de nauwkeurigheid van voorspellende modellen te verbeteren. Afhankelijk van de aard van het zakelijke probleem dat wordt aangepakt, zijn er verschillende benaderingen op basis van het type en het volume van de gegevens. In deze sectie bespreken we de categorieën van machine-leren.

Supervised learning

Supervised learning begint gewoonlijk met een vastgestelde reeks gegevens en een zeker begrip van hoe die gegevens zijn geclassificeerd. Begeleid leren is bedoeld om patronen te vinden in gegevens die kunnen worden toegepast op een analytisch proces. Deze gegevens hebben gelabelde kenmerken die de betekenis van gegevens definiëren. U kunt bijvoorbeeld een machine-learning toepassing maken die onderscheid maakt tussen miljoenen dieren, op basis van afbeeldingen en geschreven beschrijvingen.

Unsupervised learning

Unsupervised learning wordt gebruikt wanneer het probleem een enorme hoeveelheid ongelabelde gegevens vereist. Sociale-mediatoepassingen, zoals Twitter, Instagram en Snapchat, hebben bijvoorbeeld allemaal grote hoeveelheden ongelabelde gegevens. Om de betekenis achter deze gegevens te begrijpen, zijn algoritmen nodig die de gegevens classificeren op basis van de patronen of clusters die ze vinden.

Unsupervised learning voert een iteratief proces uit, waarbij gegevens worden geanalyseerd zonder menselijke tussenkomst. Het wordt gebruikt bij technologie voor het opsporen van e-mailspam. Er zijn veel te veel variabelen in legitieme en spam-e-mails voor een analist om ongevraagde bulk e-mail te labelen. In plaats daarvan worden machine-learning classifiers, gebaseerd op clustering en associatie, toegepast om ongewenste e-mail te identificeren.

Reinforcement learning

Reinforcement learning is een gedragsmatig leermodel. Het algoritme krijgt feedback van de gegevensanalyse en leidt de gebruiker naar het beste resultaat. Versterkingsleren verschilt van andere vormen van leren onder toezicht, omdat het systeem niet wordt getraind met de dataset van het voorbeeld. Het systeem leert veeleer door vallen en opstaan. Daarom zal een opeenvolging van succesvolle beslissingen ertoe leiden dat het proces wordt versterkt, omdat het het probleem het best oplost.

Diep leren

Diep leren is een specifieke methode van machinaal leren die neurale netwerken in opeenvolgende lagen opneemt om op een iteratieve manier van gegevens te leren. Deep learning is vooral nuttig wanneer u patronen probeert te leren uit ongestructureerde gegevens.

Deep learning complexe neurale netwerken zijn ontworpen om na te bootsen hoe het menselijk brein werkt, zodat computers kunnen worden getraind om te gaan met slecht gedefinieerde abstracties en problemen. Het gemiddelde vijfjarige kind kan gemakkelijk het verschil herkennen tussen het gezicht van zijn leraar en het gezicht van de oversteekwacht. De computer moet daarentegen veel werk verzetten om uit te zoeken wie wie is. Neurale netwerken en deep learning worden vaak gebruikt in beeldherkenning, spraak, en computervisietoepassingen.