మెషిన్ లెర్నింగ్ మూడు రకాలు
డేటాతో ఎలా వ్యవహరిస్తారనే దాని ఆధారంగా మెషిన్ లెర్నింగ్ స్థూలంగా మూడు రకాలుగా వర్గీకరించబడింది.
సూపర్వైజ్డ్ లెర్నింగ్
మోడల్ లేబుల్ చేసిన డేటా నుండి నేర్చుకుంటుంది. మనం దానికి ప్రశ్న మరియు సమాధానం రెండింటిని ఇస్తాము.
ప్రతి స్థాయి అభ్యాసం ఒకే విధంగా ఉండదు. మనుషులు తరగతి గది సూచనలు, అన్వేషణ లేదా ట్రయల్-అండ్-ఎర్రర్ ద్వారా నేర్చుకున్నట్లే, మెషిన్ లెర్నింగ్ను శిక్షణ సమయంలో పొందే ఫీడ్బ్యాక్ ఆధారంగా మూడు ప్రాథమిక రకాలుగా వర్గీకరించారు: సూపర్వైజ్డ్ లెర్నింగ్, అన్సూపర్వైజ్డ్ లెర్నింగ్ మరియు రీఇన్ఫోర్స్మెంట్ లెర్నింగ్. ప్రతి రకం వేర్వేరు పనులకు సరిపోతుంది మరియు వేర్వేరు డేటా ప్రిపరేషన్ అవసరమవుతుంది.
వివరమైన వర్గీకరణ
1. సూపర్వైజ్డ్ లెర్నింగ్ (Supervised Learning): అత్యంత సాధారణ రకం. డేటాలో 'సమాధానాలు' (లేబుల్స్) ఉంటాయి. నిరంతర విలువలు లేదా వర్గాలను అంచనా వేయడానికి దీనిని ఉపయోగిస్తారు.
2. అన్సూపర్వైజ్డ్ లెర్నింగ్ (Unsupervised Learning): లేబుల్లు ఉండవు. AI నిర్మాణాన్ని కనుగొంటుంది. దాగి ఉన్న సమూహాలను కనుగొనడానికి దీనిని ఉపయోగిస్తారు.
3. రీఇన్ఫోర్స్మెంట్ లెర్నింగ్ (Reinforcement Learning): ప్రయోగాత్మక అభ్యాసం. AI తన చర్యల ఫలితాల నుండి నేర్చుకుంటుంది. దీనిని రోబోటిక్స్ మరియు స్ట్రాటజీ గేమ్లలో ఉపయోగిస్తారు.