Ο προσδιορισμός του συναισθηματικού τόνου των λέξεων είναι ο στόχος της ανάλυσης συναισθημάτων (sentiment analysis). Υπάρχουν τεχνολογίες που έχουν εκπαιδευτεί με δεδομένα για να το κάνουν αυτό. Άλλωστε δεν είναι πάντα εύκολο να πούμε τι συναίσθημα κρύβεται πίσω από ένα κείμενο όταν το διαβάζουμε στο διαδίκτυο.

Η ανάλυση συναισθήματος βοηθά κυρίως τις επιχειρήσεις να αποκρυπτογραφήσουν το νόημα ενός κειμένου, ενός Tweet, ενός χρήστη ή ακόμα και ενός βίντεο. Εκεί το πρόγραμμα υπολογιστή μαθαίνει να «διαβάζει» συναισθήματα εξετάζοντας τις εκφράσεις του προσώπου. Όπως είναι φυσικό, το μηχάνημα έχει μεγαλύτερες δυνατότητες να παίρνει ακριβείς αποφάσεις όσο περισσότερα δεδομένα «διαβάζει».

Η ανάγκη για συστήματα που μπορούν να επεξεργαστούν αυτά τα περίπλοκα δεδομένα είναι τεράστια. Αυτό είναι λόγω της εκθετικής αύξησης του όγκου των δεδομένων που έχουμε τώρα. Τα Big Data, τα οποία αναφέρονται σε αυτήν την ποσότητα και την πολυπλοκότητα των δεδομένων, αντιμετωπίζονται συνήθως με τη χρήση μοντέλων μηχανικής εκμάθησης.

Όπως είπαμε προηγουμένως, στη μηχανική μάθηση, παρέχονται διάφοροι τύποι δεδομένων σε μηχανές. Στόχος είναι να μπορούν να τα αναλύσουν, να σχηματίσουν συμπεράσματα και στη συνέχεια να αποθηκεύσουν αυτά τα δεδομένα. Έτσι θα συνεχίσουν να μαθαίνουν και να είναι σε θέση να παράγουν ακόμα πιο ακριβή αποτελέσματα.

Δεδομένου ότι σχεδόν κάθε εργασία μπορεί να αυτοματοποιηθεί με τη βοήθεια της τεχνολογίας, όλο και περισσότερες επιχειρήσεις μαθαίνουν για τη μηχανική μάθηση.  Μετασχηματίζουν έτσι τις διαδικασίες τους ώστε να ολοκληρώνονται αυτόματα, γρήγορα και πιο σωστά από ό,τι θα έκαναν διαφορετικά από τους ανθρώπους.

Είναι πλέον σημαντικό να σημειωθεί ότι η μηχανική μάθηση χρησιμοποιεί τρεις τεχνικές.

1)Supervised Learning (εποπτευόμενη μάθηση):

Οι μηχανές χρησιμοποιούν εποπτευόμενη μάθηση για να βγάλουν συμπεράσματα από προηγούμενα δεδομένα. Αυτό μοιάζει αρκετά με το πώς συμπεριφέρονται οι άνθρωποι. Άλλωστε, παίρνουμε καλύτερες αποφάσεις τώρα ή ακόμα και «προβλέπουμε» το μέλλον με βάση τις γνώσεις και τις εμπειρίες που έχουμε αποκτήσει στο παρελθόν.

Ένα εξαιρετικό παράδειγμα εποπτευόμενης μηχανικής εκμάθησης είναι αυτό της Amazon. Έχει προσαρμοσμένες προτάσεις προϊόντων σε κάθε πελάτη με βάση τα αντικείμενα που έχουν αγοράσει ή απλώς έχουν δει στο παρελθόν.

2)Unsupervised Learning (μάθηση χωρίς επίβλεψη)

Οι αλγόριθμοι προσπαθούν να βρουν διαφορετικά μοτίβα στα δεδομένα χωρίς να γνωρίζουν εάν τα δεδομένα έχουν ετικέτα ή όχι. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε αυτήν τη μέθοδο για να μάθουμε πόσα άτομα μπορεί να ενδιαφέρονται να αγοράσουν ένα νέο προϊόν. Αυτό βοηθάει όταν δεν έχουμε πολλές πληροφορίες στις οποίες να βασιστούμε. Έτσι, το μηχάνημα θα χρησιμοποιήσει τις πληροφορίες που έχει για να τις οργανώσει σε ομάδες και να τις δείξει με τρόπο που είναι εύκολο να κατανοηθεί.

3)Reinforcement Learning (ενισχυτική μάθηση):

Στην ενισχυτική μάθηση, ένα σύστημα μαθαίνει πώς να λαμβάνει αποφάσεις που είτε ελαχιστοποιούν την απώλεια είτε μεγιστοποιούν την ανταμοιβή. Παράλληλα αλληλοεπιδρά με το περιβάλλον. Το σύστημα λαμβάνει θετικά ή αρνητικά αποτελέσματα ανάλογα με τις ενέργειές του. Έτσι προσπαθεί να καθορίσει την πιο αποτελεσματική προσέγγιση για την επίτευξη των στόχων του.

Με τη βοήθεια της ενισχυτικής μάθησης, ένα ρομπότ είναι ικανό να αποκτήσει την ικανότητα να πλοηγείται σε μια άγνωστη τοποθεσία. Ανάλογα με τις ενέργειές του όπως η κινητικότητα και η περιστροφή, το ρομπότ λαμβάνει είτε θετικές είτε αρνητικές αξιολογήσεις από το περιβάλλον του. Με την πάροδο του χρόνου, στοχεύει να βελτιώσει την κατανόησή του για την περιοχή μαθαίνοντας τις βέλτιστες μεθόδους μεταφοράς σε διάφορα μέρη.