Machine learning je aplikace umělé inteligence (AI), která poskytuje systémy schopnost automaticky učit se a zlepšit se ze zkušeností, aniž by byl explicitně naprogramováno. Strojové učení se zaměřuje na vývoj počítačových programů, které mohou přistupovat k datům a používat je k učení pro sebe.
proces učení začíná připomínky nebo údajů, jako jsou příklady, přímou zkušenost, nebo návod, aby se hledat vzory v datech a lépe se rozhodovat v budoucnosti na základě příkladů, které poskytujeme. Primárním cílem je umožnit počítačům učit se automaticky bez zásahu člověka nebo pomoci a podle toho upravovat akce.
Ale pomocí klasických algoritmů strojového učení, text je považován za posloupnost klíčová slova; místo toho, přístup založený na sémantické analýzy napodobuje lidskou schopnost porozumět smyslu textu.
některé metody strojového učení
algoritmy strojového učení jsou často kategorizovány jako pod dohledem nebo bez dozoru.
- pod Dohledem algoritmů strojového učení lze použít, co se naučili v minulosti, aby nová data pomocí označeny příklady předvídat budoucí události. Počínaje analýzou známého tréninkového souboru dat, algoritmus učení vytváří odvozenou funkci pro předpovědi výstupních hodnot. Systém je schopen poskytnout cíle pro jakýkoli nový vstup po dostatečném zaškolení. Algoritmus učení může také porovnat svůj výstup se správným zamýšleným výstupem a najít chyby, aby mohl model odpovídajícím způsobem upravit.
- naproti tomu algoritmy strojového učení bez dozoru se používají, pokud informace použité k výcviku nejsou klasifikovány ani označeny. Bez dozoru se učí, jak systémy mohou odvodit funkci popisující skrytou strukturu z neoznačených dat. Systém nezjistí správný výstup, ale zkoumá data a může čerpat závěry z datových sad k popisu skrytých struktur z neoznačených dat.
- Semi-pod dohledem algoritmů strojového učení spadá někam mezi učitelem a bez učitele učení, protože používají oba označené a neoznačené údaje pro trénink – typicky malé množství označených dat a velké množství neznačených data. Systémy, které používají tuto metodu, jsou schopny výrazně zlepšit přesnost učení. Obvykle, semi-pod dohledem učení je zvolen, když získal označené údaje vyžaduje kvalifikované a relevantní zdroje za účelem trénovat / učit se z ní. V opačném případě získávání neoznačených dat obecně nevyžaduje další zdroje.
- výztužné algoritmy strojového učení je metoda učení, která interaguje se svým prostředím vytvářením akcí a objevuje chyby nebo odměny. Hledání pokusů a omylů a zpožděná odměna jsou nejdůležitějšími charakteristikami učení výztuže. Tato metoda umožňuje strojům a softwarovým agentům automaticky určit ideální chování v konkrétním kontextu, aby se maximalizoval jeho výkon. Jednoduchá odměna zpětná vazba je nutná pro agenta zjistit, která akce je nejlepší; toto je známé jako signál výztuže.
strojové učení umožňuje analýzu obrovského množství dat. I když obecně přináší rychlejší a přesnější výsledky za účelem identifikace ziskových příležitostí nebo nebezpečných rizik, může také vyžadovat další čas a zdroje, aby je správně vycvičil. Kombinace strojového učení s AI a kognitivními technologiemi může ještě zefektivnit zpracování velkého množství informací.
Chcete se dozvědět více?
kontaktujte nás požádat o DEMO
původně publikováno Březen 2017, aktualizováno Květen 2020