Diskriminativni modeli se naučijo razlikovati podatkovne točke tako, da neposredno določijo mejo med razredi – odgovarjajo na vprašanje „V katero kategorijo sodi ta vnos?“. Primeri so logistična regresija, podporni vektorski stroji in številni nevronski klasifikatorji, na primer za prepoznavanje neželene pošte. Generativni modeli pa zajamejo, kako nastajajo sami podatki, in zato lahko ustvarjajo nove primere.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevGenerativna UI označuje sisteme UI, ki ustvarjajo novo vsebino – besedilo, slike, zvok, videoposnetke ali programsko kodo – namesto da bi obstoječe podatke le razvrščali ali ocenjevali. Temeljijo na modelih, ki se iz velikih količin podatkov naučijo vzorcev in jih uporabijo za ustvarjanje verjetnih novih izpisov. V poslu se uporablja na primer za osnutke e-poštnih sporočil, povzetkov, opisov izdelkov ali zamisli za slike. Rezultati lahko vsebujejo napake, zato jih je treba pred uporabo preveriti.
Logistična regresija je statistična metoda, ki napoveduje verjetnost enega od dveh izidov, kot sta „kupi“ ali „ne kupi“. Vhodne značilnosti uteži in njihovo vsoto z S-oblikovano funkcijo pretvori v vrednost med 0 in 1. Ker so uteži lahko razložljive, se pogosto uporablja pri kreditnem točkovanju, v medicini in trženju, pogosto kot trdna izhodiščna osnova za zahtevnejše modele.
Klasifikator je model ali metoda, ki vnose uvrsti v eno od več vnaprej določenih kategorij. Klasične različice, kot so odločitvena drevesa ali naivni Bayes, se učijo na označenih primerih; jezikovni modeli lahko besedila razvrščajo tudi na podlagi opisa kategorij. Tipična uporaba so prepoznavanje neželene pošte, razvrščanje povpraševanj strank po temah in razvrščanje računov. Kakovost se meri z merili, kot so točnost, natančnost in priklic.
Naivni Bayes je družina preprostih metod razvrščanja, ki temeljijo na Bayesovem izreku. Imenujejo se „naivne“, ker predpostavljajo, da so vse značilnice med seboj neodvisne, kar v praksi redko drži, a pogosto vseeno prinese dobre rezultate. Metode so hitre, potrebujejo malo podatkov za učenje in so še posebej primerne za besedila. Klasičen primer je filter neželene pošte, ki e-pošto razvršča na podlagi značilnih besed.
