K najbliższych sąsiadów (k-NN) to prosta metoda uczenia nadzorowanego. Aby sklasyfikować nowy punkt danych, szuka k najbardziej podobnych znanych przykładów i przejmuje ich najczęstszą klasę lub – w przypadku wartości liczbowych – ich średnią. Nie wymaga właściwej fazy trenowania, ale przy dużych zbiorach danych staje się wolna i jest wrażliwa na skalowanie cech. Przykład: rekomendacje produktów na podstawie podobnych klientów.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoKlasyfikator to model lub metoda, która przypisuje dane wejściowe do jednej z kilku z góry określonych kategorii. Klasyczne warianty, takie jak drzewa decyzyjne czy naiwny klasyfikator bayesowski, są trenowane na oznaczonych przykładach; modele językowe mogą też sortować teksty na podstawie opisu kategorii. Typowe zastosowania to wykrywanie spamu, sortowanie zapytań klientów według tematu i kategoryzowanie rachunków. Jakość mierzy się metrykami takimi jak dokładność, precyzja i czułość.
K-średnich (k-means) to metoda uczenia nienadzorowanego, która dzieli punkty danych na z góry ustaloną liczbę k grup. Przypisuje każdy punkt do najbliższego środka grupy i przesuwa te środki tak długo, aż przypisania prawie przestaną się zmieniać. Metoda jest szybka i łatwa do zrozumienia, ale wymaga rozsądnego doboru k oraz cech w porównywalnych skalach. Przykład: grupowanie klientów według częstotliwości zakupów i wartości koszyka.
W uczeniu nadzorowanym model uczy się na przykładach, dla których poprawna odpowiedź jest już znana, na przykład na e-mailach oznaczonych jako „spam” lub „nie spam”. Na tej podstawie wyprowadza reguły do klasyfikowania nowych, nieznanych przypadków lub przewidywania wartości. Typowe zadania to klasyfikacja i regresja; większość wysiłku pochłania przygotowanie starannie oznaczonych danych.
Wektor osadzenia (embedding) to lista liczb reprezentująca znaczenie słowa, zdania lub dokumentu w taki sposób, że teksty o podobnej treści leżą blisko siebie. Dzięki temu można rozpoznać na przykład, że „wypowiedzenie” i „rozwiązanie umowy” są ze sobą powiązane, mimo że nie mają wspólnych słów. Embeddingi leżą u podstaw wielu systemów wyszukiwania semantycznego, usług rekomendacyjnych i aplikacji RAG; są obliczane przez specjalnie wytrenowane modele.
