Maskinininlärningstekniker behövs för att förbättra prediktionsmodellernas noggrannhet. Beroende på karaktären på det affärsproblem som ska lösas finns det olika tillvägagångssätt baserade på typ och volym av data. I det här avsnittet diskuterar vi kategorierna av maskininlärning.

Supervised learning

Supervised learning börjar vanligtvis med en etablerad uppsättning data och en viss förståelse för hur dessa data klassificeras. Övervakad inlärning är avsedd att hitta mönster i data som kan tillämpas i en analysprocess. Dessa data har märkta egenskaper som definierar dataens betydelse. Du kan till exempel skapa ett program för maskininlärning som skiljer mellan miljontals djur, baserat på bilder och skriftliga beskrivningar.

Oövervakad inlärning

Oövervakad inlärning används när problemet kräver en stor mängd omärkta data. Till exempel har tillämpningar för sociala medier, som Twitter, Instagram och Snapchat, alla stora mängder icke-märkta data. För att förstå innebörden bakom dessa data krävs algoritmer som klassificerar data utifrån de mönster eller kluster som hittas.

Unsupervised learning genomför en iterativ process och analyserar data utan mänsklig inblandning. Det används med teknik för att upptäcka skräppost. Det finns alldeles för många variabler i legitima och skräppostmeddelanden för att en analytiker ska kunna märka oönskade massmeddelanden. Istället används maskininlärningsklassificatorer, som bygger på klusterbildning och association, för att identifiera oönskad e-post.

Reinforcement learning

Reinforcement learning är en modell för beteendeinlärning. Algoritmen får återkoppling från dataanalysen och vägleder användaren till det bästa resultatet. Reinforcement learning skiljer sig från andra typer av övervakad inlärning eftersom systemet inte tränas med provdatamängden. Snarare lär sig systemet genom försök och misstag. Därför kommer en sekvens av framgångsrika beslut att resultera i att processen förstärks, eftersom den bäst löser det aktuella problemet.

Djupinlärning

Djupinlärning är en specifik metod för maskininlärning som innehåller neurala nätverk i på varandra följande lager för att lära sig av data på ett iterativt sätt. Djupinlärning är särskilt användbart när man försöker lära sig mönster från ostrukturerade data.

Djupinlärning komplexa neurala nätverk är utformade för att efterlikna hur den mänskliga hjärnan fungerar, så att datorer kan tränas för att hantera dåligt definierade abstraktioner och problem. Det genomsnittliga femåriga barnet kan lätt känna igen skillnaden mellan sin lärares ansikte och övergångsvaktens ansikte. Däremot måste datorn göra mycket arbete för att räkna ut vem som är vem. Neurala nätverk och djupinlärning används ofta i tillämpningar för bildigenkänning, tal och datorseende.