Při neřízeném učení model dostane data bez předem daných správných odpovědí a sám hledá struktury. Typickými metodami jsou shlukování, které seskupuje podobné záznamy, a redukce dimenzionality, která mnoho příznaků zhušťuje na několik podstatných. Organizace je využívají k objevování zákaznických segmentů nebo odhalování neobvyklých transakcí; nalezené skupiny pak musí interpretovat odborníci z dané oblasti.
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoPři řízeném učení se model učí z příkladů, u nichž je správná odpověď již známa, například z e-mailů označených jako „spam“ nebo „není spam“. Z nich odvozuje pravidla pro klasifikaci nových, dosud neviděných případů nebo pro předpovídání hodnot. Typickými úlohami jsou klasifikace a regrese; většina práce spočívá ve vytvoření čistě označených dat.
Shlukování (clustering) je metoda učení bez učitele, která rozděluje datové body do skupin podle jejich podobnosti, bez předem daných kategorií. Odhaluje vzorce, které dosud nikdo nepojmenoval – například zákaznické segmenty s podobným nákupním chováním. U textů pomáhá shlukování roztřídit stovky zákaznických dotazů do témat, jako je doručení, fakturace nebo reklamace, a ukazuje, kde leží těžiště.
K-means je metoda učení bez učitele, která rozděluje datové body do předem určeného počtu k skupin. Každý bod přiřadí k nejbližšímu středu skupiny a tyto středy posouvá, dokud se přiřazení téměř nemění. Metoda je rychlá a snadno pochopitelná, ale vyžaduje rozumnou volbu k a rysy ve srovnatelných měřítcích. Příklad: seskupení zákazníků podle četnosti nákupů a hodnoty košíku.
Redukce dimenzionality snižuje počet rysů v datovém souboru, aniž by se ztratily podstatné informace. K známým metodám patří analýza hlavních komponent (PCA) a také t-SNE a UMAP, které se často používají pro vizualizaci. Urychluje výpočty, snižuje riziko přeučení a usnadňuje pochopení dat – například když se stovky atributů zákazníků zobrazí na dvourozměrném grafu, kde podobní zákazníci leží blízko sebe.
