Các cách học và ứng dụng của học máy

| Cách học | Dữ liệu / phản hồi và ví dụ | |---|---| | Có giám sát |Ví dụ kèm nhãn hoặc giá trị đích; học từ thư đã gán nhãn rác/hợp lệ để phân loại thư mới| | Không giám sát |Chưa có nhãn đích cho việc học; tìm cấu trúc, chẳng hạn chia các bản ghi thành nhóm tương đồng| | Bán giám sát |Kết hợp dữ liệu có nhãn và chưa có nhãn khi xây mô hình| | Tăng cường |Học cách chọn hành động qua tương tác với môi trường và tín hiệu thưởng| Hai cách chính trong bài là có giám sát và không giám sát; hai cách sau mở rộng cách nhìn về học máy. “Nhãn” là kết quả mục tiêu gắn với mẫu học, không phải tên cột bất kì. Phân loại dự đoán một nhóm; phân cụm tìm các nhóm từ sự tương đồng. Học có giám sát cũng có thể dự đoán một giá trị số, chẳng hạn số lượt mượn sách, khi dữ liệu học có giá trị đích tương ứng. Không đồng nhất mọi học có giám sát với phân loại.

| Tác vụ | Vai trò của học máy | |---|---| | Lọc thư rác |Dự đoán thư thuộc nhóm rác hay hợp lệ| | Hỗ trợ chẩn đoán |Phân tích dữ liệu và ảnh y tế để hỗ trợ chuyên gia nhận biết dấu hiệu| | Phân tích thị trường |Nhận biết mẫu, xu hướng và hỗ trợ dự báo theo dữ liệu| | Nhận dạng tiếng nói |Nhận biết nội dung lời nói, chẳng hạn tạo văn bản từ âm thanh| | Nhận dạng chữ viết |Nhận biết kí tự/từ từ ảnh chữ viết| | Dịch tự động |Tạo bản dịch từ dữ liệu ngôn ngữ đã học| Dự đoán có thể sai; bản dịch cần được kiểm nghĩa, kết quả hỗ trợ chuyên môn cần người có trách nhiệm đánh giá. Khi kiểu dữ liệu thay đổi, có thể cần bổ sung dữ liệu, huấn luyện và kiểm lại. Không phải mô hình nào cũng tự cập nhật sau mỗi yêu cầu.