Prepoznavanje uzoraka automatsko je utvrđivanje pravilnosti, struktura ili ponavljajućih obilježja u podacima poput slika, zvukova, tekstova ili mjerenja. Sustavi nova opažanja razvrstavaju u poznate kategorije ili otkrivaju skupine bez unaprijed zadanih oznaka. Primjene uključuju prepoznavanje lica, prepoznavanje rukopisa, kontrolu kvalitete u proizvodnji i uočavanje neobičnih transakcija. Ta je disciplina važna osnova strojnog učenja.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoStrojno učenje je grana umjetne inteligencije u kojoj računala iz podataka izvode obrasce umjesto da im se svako pravilo izričito programira. Ovisno o zadatku, modeli uče iz označenih primjera (nadzirano), iz neoznačenih podataka (nenadzirano) ili putem nagrada (podržano). Primjene sežu od filtara za spam i prognoza potražnje do preporuka proizvoda. Kvaliteta uvelike ovisi o količini i kvaliteti podataka za treniranje.
Prepoznavanje slika područje je računalnog vida u kojem softver prepoznaje što slika prikazuje – objekte, osobe, tekst, logotipe ili prizore. Obično se temelji na neuronskim mrežama naučenima na velikom broju označenih slika. Primjene sežu od kontrole kvalitete u proizvodnji i razvrstavanja fotografija proizvoda do podrške medicinskom snimanju. Kod slika ljudi posebnu pozornost zahtijevaju zaštita podataka i moguća pristranost.
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.
Klasteriranje je metoda nenadziranog učenja koja dijeli podatkovne točke u skupine prema njihovoj sličnosti, bez unaprijed definiranih kategorija. Otkriva obrasce koje nitko prije nije imenovao – primjerice segmente kupaca sa sličnim kupovnim ponašanjem. Kod tekstova klasteriranje pomaže razvrstati stotine upita kupaca u teme kao što su isporuka, naplata ili pritužbe i pokazuje gdje je težište.
