Дискриминативните модели се учат да разграничават точките от данни, като директно определят границата между класовете – те отговарят на въпроса „Към коя категория принадлежи този вход?“. Примери са логистичната регресия, методът на опорните вектори и много невронни класификатори, например за разпознаване на спам. Генеративните модели, напротив, улавят как възникват самите данни и затова могат да създават нови примери.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоГенеративен ИИ означава ИИ системи, които създават ново съдържание – текст, изображения, аудио, видео или програмен код – вместо само да сортират или оценяват съществуващи данни. Те се основават на модели, които научават закономерности от големи количества данни и ги използват, за да създават правдоподобни нови резултати. В бизнеса се използва например за изготвяне на имейли, резюмета, описания на продукти или идеи за изображения. Резултатите могат да съдържат грешки и трябва да се проверяват преди употреба.
Логистичната регресия е статистически метод, който прогнозира вероятността за един от два резултата, като „купува“ или „не купува“. Тя претегля входните признаци и превръща сбора им в стойност между 0 и 1 чрез S-образна функция. Тъй като теглата се тълкуват лесно, методът се използва широко в кредитното оценяване, медицината и маркетинга, често като солидна базова линия за по-сложни модели.
Класификаторът е модел или метод, който отнася входните данни към една от няколко предварително определени категории. Класическите варианти като дърветата на решенията или наивния Байес се обучават върху анотирани примери; езиковите модели могат да сортират текстове и въз основа на описание на категориите. Типични приложения са откриването на спам, сортирането на запитвания на клиенти по теми и категоризирането на разписки. Качеството се измерва с метрики като точност, прецизност и обхват.
Naive Bayes е семейство от прости методи за класификация, основани на теоремата на Бейс. Наричат се „наивни“, защото допускат, че всички признаци са независими един от друг, което на практика рядко е вярно, но често все пак дава добри резултати. Методите са бързи, изискват малко данни за обучение и са особено подходящи за текст. Класически пример е спам филтърът, който сортира имейлите по типични думи.
