A 3 legígéretesebb AI-tanulási megközelítés

A bayesiánusok, a szimbolisták és a konnekcionisták az adatokból való tanulás jelenlegi és jövőbeli határát képviselik, mivel az emberhez hasonló mesterséges intelligencia (AI) felé irányuló minden haladás tőlük származik, legalábbis addig, amíg az új, hihetetlenebb és erőteljesebb tanulási algoritmusokkal új áttörés meg nem történik. A gépi tanulási környezet minden bizonnyal sokkal nagyobb, mint ez a három algoritmus, de a hangsúly itt ezen a három törzsön van az AI-ban betöltött jelenlegi szerepük miatt.

• Naív Bayes: Ez az algoritmus pontosabb lehet bizonyos betegségek diagnosztizálásában, mint egy orvos. Ezenkívül ugyanaz az algoritmus képes észlelni a spameket, és megjósolni a szövegből a hangulatot. Az internetes iparágban is széles körben használják nagy mennyiségű adat egyszerű kezelésére.
• Bayes-hálózatok (gráfforma): Ez a grafikon a világ összetettségét a valószínűség szempontjából mutatja be.
• Döntési fák: A döntési fa típusú algoritmus képviseli a legjobban a szimbolistákat. A döntési fa hosszú múltra tekint vissza, és jelzi, hogy egy mesterséges intelligencia hogyan tud döntéseket hozni, mivel olyan egymásba ágyazott döntések sorozatára hasonlít, amelyeket faként rajzolhat meg (innen a név).

Ezek az algoritmustípusok további alkategóriákra oszthatók. Például a döntési fák a regressziós fák, az osztályozófák, a kiemelt fák, a bootstrap összesített és a rotációs erdők kategóriába tartoznak. Még az alkategóriák altípusaira is részletezhet. A véletlenszerű erdőosztályozó egyfajta bootstrap aggregáció, és onnantól még több szint van. Miután túljutott a szinteken, elkezdi látni a tényleges algoritmusokat, amelyek száma több ezerre tehető.