A k legközelebbi szomszéd (k-nearest neighbours, k-NN) egyszerű felügyelt tanulási módszer. Egy új adatpont osztályozásához megkeresi a k leghasonlóbb ismert példát, és átveszi azok leggyakoribb osztályát, számértékeknél pedig az átlagukat. Nincs igazi tanítási fázisa, de nagy adathalmazoknál lassúvá válik, és érzékeny a jellemzők skálázására. Példa: termékajánlások hasonló ügyfelek alapján.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaAz osztályozó olyan modell vagy módszer, amely a bemeneteket több előre meghatározott kategória egyikébe sorolja. A klasszikus változatokat, például a döntési fákat vagy a naiv Bayes-t címkézett példákon tanítják; a nyelvi modellek a kategóriák leírása alapján is képesek szövegeket rendezni. Tipikus felhasználás a spamfelismerés, az ügyfélmegkeresések téma szerinti rendezése és a bizonylatok kategorizálása. A minőséget olyan mérőszámokkal mérik, mint a helyesség, a pontosság és a fedés.
A k-közép (k-means) felügyelet nélküli tanulási módszer, amely az adatpontokat előre meghatározott számú, k csoportra osztja. Minden pontot a legközelebbi csoportközépponthoz rendel, és addig mozgatja ezeket a középpontokat, amíg a hozzárendelések alig változnak. A módszer gyors és könnyen érthető, de értelmes k-választást és összehasonlítható skálájú jellemzőket igényel. Példa: ügyfelek csoportosítása a vásárlási gyakoriság és a kosárérték szerint.
A felügyelt tanulásban a modell olyan példákból tanul, amelyekhez a helyes válasz már ismert, például „spam” vagy „nem spam” címkével ellátott e-mailekből. Ezekből szabályokat vezet le új, ismeretlen esetek osztályozásához vagy értékek előrejelzéséhez. Tipikus feladatok az osztályozás és a regresszió; az erőfeszítés nagy része a tisztán címkézett adatok előállítására megy el.
A beágyazási vektor (embedding) számok listája, amely egy szó, mondat vagy dokumentum jelentését úgy ábrázolja, hogy a hasonló tartalmú szövegek közel kerüljenek egymáshoz. Így felismerhető például, hogy a „felmondás” és a „szerződés megszüntetése” összefügg, noha nincs bennük közös szó. A beágyazások sok szemantikus keresőrendszer, ajánlószolgáltatás és RAG-alkalmazás alapját képezik; speciálisan betanított modellek számítják ki őket.
