Machine learning este o aplicație a inteligenței artificiale (AI) care oferă sistemelor capacitatea de a învăța și îmbunătăți automat din experiență fără a fi programate în mod explicit. Învățarea automată se concentrează pe dezvoltarea de programe de calculator care pot accesa datele și le pot folosi pentru a învăța singuri.
procesul de învățare începe cu observații sau date, cum ar fi exemple, experiență directă sau instruire, pentru a căuta modele în date și a lua decizii mai bune în viitor pe baza exemplelor pe care le oferim. Scopul principal este de a permite computerelor să învețe automat fără intervenție sau asistență umană și să ajusteze acțiunile în consecință.
dar, folosind algoritmii clasici ai învățării automate, textul este considerat o secvență de cuvinte cheie; în schimb, o abordare bazată pe analiza semantică imită capacitatea umană de a înțelege sensul unui text.
unele metode de învățare automată
algoritmii de învățare automată sunt adesea clasificați ca supravegheați sau nesupravegheați.
- algoritmii de învățare automată supravegheați pot aplica ceea ce s-a învățat în trecut la date noi folosind exemple etichetate pentru a prezice evenimente viitoare. Pornind de la analiza unui set de date de formare cunoscut, algoritmul de învățare produce o funcție dedusă pentru a face predicții despre valorile de ieșire. Sistemul este capabil să ofere ținte pentru orice intrare nouă după o pregătire suficientă. Algoritmul de învățare poate compara, de asemenea, ieșirea sa cu ieșirea corectă, intenționată și poate găsi erori pentru a modifica modelul în consecință.
- în schimb, algoritmii de învățare automată nesupravegheați sunt utilizați atunci când informațiile utilizate pentru instruire nu sunt nici clasificate, nici etichetate. Învățarea nesupravegheată studiază modul în care sistemele pot deduce o funcție pentru a descrie o structură ascunsă din date neetichetate. Sistemul nu își dă seama de ieșirea corectă, dar explorează datele și poate trage inferențe din seturile de date pentru a descrie structuri ascunse din date neetichetate.
- algoritmii de învățare automată semi-supravegheați se încadrează undeva între învățarea supravegheată și cea nesupravegheată, deoarece folosesc atât date etichetate, cât și date neetichetate pentru instruire – de obicei o cantitate mică de date etichetate și o cantitate mare de date neetichetate. Sistemele care utilizează această metodă sunt capabile să îmbunătățească considerabil precizia învățării. De obicei, învățarea semi-supravegheată este aleasă atunci când datele etichetate dobândite necesită resurse calificate și relevante pentru a o instrui / învăța din ea. În caz contrar, achiziționarea de date neetichetate, în general, nu necesită resurse suplimentare.
- algoritmi de învățare mașină de armare este o metodă de învățare care interacționează cu mediul său prin producerea de acțiuni și descoperă erori sau recompense. Căutarea de încercări și erori și recompensa întârziată sunt cele mai relevante caracteristici ale învățării de întărire. Această metodă permite mașinilor și agenților software să determine automat comportamentul ideal într-un context specific pentru a-și maximiza performanța. Este necesar un feedback simplu de recompensă pentru ca agentul să învețe ce acțiune este cea mai bună; acest lucru este cunoscut sub numele de semnal de întărire.
Machine learning permite analiza cantităților masive de date. Deși, în general, oferă rezultate mai rapide și mai precise pentru a identifica oportunități profitabile sau riscuri periculoase, poate necesita, de asemenea, timp și resurse suplimentare pentru a-l instrui în mod corespunzător. Combinarea învățării automate cu AI și tehnologiile cognitive o poate face și mai eficientă în procesarea unor volume mari de informații.
vrei să afli mai multe?
contactați-ne solicitați o demonstrație
publicată inițial în martie 2017, actualizată în mai 2020