Классическое обучение основано на простых алгоритмах анализа данных по понятным признакам. Примеры: рекомендательная система, сортировка предметов по заданным признакам на основе закономерностей. Если данные в такую модель загружаются размеченными («учитель» заранее рассказал машине, какие признаки есть у каждого объекта и ей надо лишь вычислить результат), то ML называется обучением с учителем. Если же машина должна сама найти и определить признаки для дальнейшей сортировки, это обучение без учителя.
Обучение с подкреплением более сложное: машина обучается в процессе взаимодействия с окружающей средой, а не на основе исторических данных. Она пробует, ошибается, анализирует ошибки и минимизирует их в следующих попытках, чтобы в итоге получить наилучший результат.
Ансамбли решают задачу комбинацией нескольких ML‑алгоритмов, каждый из которых исправляет ошибки другого.
Глубокое обучение моделирует работу нейронов человеческого мозга и состоит из нескольких слоёв. Каждый последующий слой получает на входе выходные данные предыдущего слоя, извлекает их признаки, классифицирует и определяет вес каждого в итоговом результате. Это самый сложный и ресурсозатратный вид ML, но именно на нём основано компьютерное зрение, работа поисковых систем, систем распознавания лиц и биометрия.
Подробно о видах и технологиях машинного обучения мы уже рассказывали в блоге.