Học máy để phân tích dữ liệu
Học máy là một lĩnh vực con của khoa học máy tính xử lý các tác vụ như nhận dạng mẫu, thị giác máy tính, nhận dạng giọng nói, phân tích văn bản và có mối liên hệ chặt chẽ với thống kê và tối ưu hóa toán học. Các ứng dụng bao gồm phát triển công cụ tìm kiếm, lọc thư rác, Nhận dạng ký tự quang học (OCR) trong số những ứng dụng khác. Ranh giới giữa khai thác dữ liệu, nhận dạng mẫu và lĩnh vực thống kê học là không rõ ràng và về cơ bản tất cả đều đề cập đến các vấn đề tương tự.
Học máy có thể được chia thành hai loại nhiệm vụ:
- Học tập có giám sát
- Học tập không giám sát
Học tập có giám sát
Học có giám sát đề cập đến một dạng vấn đề trong đó có dữ liệu đầu vào được xác định là ma trận X và chúng tôi quan tâm đến việc dự đoán một phản hồi y . Trong đó X = {x 1 , x 2 ,…, x n } có n dự đoán và có hai giá trị y = {c 1 , c 2 } .
Một ứng dụng ví dụ sẽ là dự đoán xác suất người dùng web nhấp vào quảng cáo bằng cách sử dụng các tính năng nhân khẩu học làm yếu tố dự đoán. Điều này thường được gọi để dự đoán tỷ lệ nhấp chuột (CTR). Sau đó, y = {click, not - click} và các yếu tố dự đoán có thể là địa chỉ IP đã sử dụng, ngày anh ta vào trang web, thành phố, quốc gia của người dùng trong số các tính năng khác có thể có.
Học tập không giám sát
Học không giám sát giải quyết vấn đề tìm kiếm các nhóm tương tự nhau mà không cần có lớp học để học hỏi. Có một số cách tiếp cận đối với nhiệm vụ học cách ánh xạ từ các yếu tố dự đoán để tìm ra các nhóm có chung các trường hợp tương tự trong mỗi nhóm và khác nhau với nhau.
Một ví dụ về ứng dụng học tập không giám sát là phân khúc khách hàng. Ví dụ, trong ngành viễn thông, một nhiệm vụ phổ biến là phân khúc người dùng theo mức độ sử dụng mà họ dành cho điện thoại. Điều này sẽ cho phép bộ phận tiếp thị nhắm mục tiêu mỗi nhóm với một sản phẩm khác nhau.