Na wstępie pragnę zauważyć, że uczenie z przykładów (instance-based learning) jest trafioną nazwą. Lecz uczenie z modelu (model-based learning) nie jest dobrze dobraną nazwą. Stąd opisując drugie, będę używał sformułowania uczenie się reguł.
Uczenie się przykładów (na blachę)
Model próbuje nauczyć się (czasami są one zapisywane za pomocą wektorów) jak największej ilości przykładów a następnie działa na zasadzie znajdywania podobieństw. Przykładowo mając wiele przykładów spamu, można sprawdzić czy w nowej wiadomości pokrywa się większość słów z wiadomościami wcześniej oznaczonymi jako spam (zwykłe liczenie słów).
Przykładowym algorytmem wykorzystującym tą technikę jest algorytm k-najbliższych sąsiadów.
Uczenie się reguł (zrozumienie)
Jest to bardziej wyrafinowany sposób uczenia się. Tutaj model próbuje znaleźć reguły. Załóżmy, że przykładowo chcielibyśmy znaleźć korelację pomiędzy zarobkami a zadowoleniem z życia. Prawdopodobnie trzeba by się zastanowić nad użyciem regresji liniowej – znaleźć najlepiej dopasowaną linię 😉 Która to reprezentuje ogólną regułę.
Przykładowym algorytmem wykorzystującym tą technikę jest regresja liniowa.