Dėsningumų atpažinimas – tai automatinis dėsningumų, struktūrų ar pasikartojančių požymių nustatymas duomenyse, pavyzdžiui, vaizduose, garsuose, tekstuose ar matavimuose. Sistemos priskiria naujus stebėjimus žinomoms kategorijoms arba randa grupes be iš anksto nustatytų žymų. Taikymo sritys: veido atpažinimas, rašysenos atpažinimas, gamybos kokybės kontrolė ir neįprastų sandorių aptikimas. Ši disciplina yra svarbus mašininio mokymosi pagrindas.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąMašininis mokymasis yra dirbtinio intelekto šaka, kurioje kompiuteriai dėsningumus išveda iš duomenų, o ne turi aiškiai užprogramuotą kiekvieną taisyklę. Priklausomai nuo užduoties, modeliai mokosi iš pažymėtų pavyzdžių (su priežiūra), iš nepažymėtų duomenų (be priežiūros) arba per atlygius (sustiprintas mokymasis). Taikymai apima nuo šlamšto filtrų ir paklausos prognozių iki produktų rekomendacijų. Kokybė labai priklauso nuo mokymo duomenų kiekio ir kokybės.
Vaizdų atpažinimas – kompiuterinės regos sritis, kurioje programinė įranga nustato, kas pavaizduota vaizde: objektai, žmonės, tekstas, logotipai ar scenos. Paprastai jis grindžiamas neuroniniais tinklais, apmokytais naudojant daugybę pažymėtų vaizdų. Taikymo sritys – nuo kokybės kontrolės gamyboje ir produktų nuotraukų rūšiavimo iki pagalbos medicininiame vaizdinime. Su žmonių vaizdais ypatingo dėmesio reikalauja duomenų apsauga ir galimas šališkumas.
Klasifikatorius – tai modelis ar metodas, priskiriantis įvestį vienai iš kelių iš anksto apibrėžtų kategorijų. Klasikiniai variantai, tokie kaip sprendimų medžiai ar naivusis Bajeso klasifikatorius, mokomi su pažymėtais pavyzdžiais; kalbos modeliai taip pat gali rūšiuoti tekstus pagal kategorijų aprašymą. Tipiniai taikymai: šlamšto aptikimas, klientų užklausų rūšiavimas pagal temą ir kvitų kategorizavimas. Kokybė matuojama rodikliais, tokiais kaip tikslumas (accuracy), tikslumas (precision) ir pilnumas (recall).
Klasterizavimas – neprižiūrimojo mokymosi metodas, kuris duomenų taškus suskirsto į grupes pagal panašumą be iš anksto apibrėžtų kategorijų. Jis atskleidžia dėsningumus, kurių niekas anksčiau nebuvo įvardijęs, pavyzdžiui, panašaus pirkimo elgesio klientų segmentus. Dirbant su tekstais klasterizavimas padeda šimtus klientų užklausų suskirstyti į temas, pavyzdžiui, pristatymas, sąskaitos ar skundai, ir parodo, kur sutelktas dėmesys.
