Diskriminativni modeli uče razlikovati podatkovne točke izravnim određivanjem granice između klasa – odgovaraju na pitanje „Kojoj kategoriji pripada ovaj unos?”. Primjeri su logistička regresija, stroj potpornih vektora i mnogi neuronski klasifikatori, primjerice za prepoznavanje spama. Generativni modeli, nasuprot tome, bilježe kako sami podaci nastaju pa stoga mogu stvarati nove primjere.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoGenerativna UI odnosi se na UI sustave koji stvaraju novi sadržaj – tekst, slike, zvuk, video ili programski kod – umjesto da samo razvrstavaju ili ocjenjuju postojeće podatke. Temelje se na modelima koji iz velikih količina podataka uče obrasce i koriste ih za izradu uvjerljivih novih izlaza. U poslovanju se koristi, primjerice, za izradu nacrta e-poruka, sažetaka, opisa proizvoda ili ideja za slike. Rezultati mogu sadržavati pogreške i treba ih provjeriti prije uporabe.
Logistička regresija statistička je metoda koja predviđa vjerojatnost jednog od dva ishoda, poput „kupuje” ili „ne kupuje”. Ponderira ulazna obilježja i njihov zbroj pretvara u vrijednost između 0 i 1 pomoću funkcije S-oblika. Budući da se težine lako interpretiraju, naširoko se koristi u kreditnom bodovanju, medicini i marketingu, često kao solidna osnovna linija za složenije modele.
Klasifikator je model ili metoda koja unose razvrstava u jednu od nekoliko unaprijed definiranih kategorija. Klasične varijante poput stabala odlučivanja ili naivnog Bayesa treniraju se na označenim primjerima; jezični modeli mogu razvrstavati tekstove i na temelju opisa kategorija. Tipične primjene uključuju prepoznavanje spama, razvrstavanje upita klijenata po temama i kategoriziranje računa. Kvaliteta se mjeri metrikama poput točnosti, preciznosti i odziva.
Naivni Bayes obitelj je jednostavnih metoda klasifikacije temeljenih na Bayesovu teoremu. Nazivaju se „naivnima“ jer pretpostavljaju da su sve značajke međusobno neovisne, što je u praksi rijetko točno, ali često ipak daje dobre rezultate. Metode su brze, trebaju malo podataka za učenje i posebno su prikladne za tekst. Klasičan je primjer filtar za neželjenu poštu koji razvrstava e-poruke na temelju tipičnih riječi.
