Gépi tanulás egy olyan alkalmazás, a mesterséges intelligencia (AI), amely rendszerek az a képessége, hogy automatikusan tanulni, valamint javítja a tapasztalat, anélkül, hogy kifejezetten programozva. A gépi tanulás olyan számítógépes programok fejlesztésére összpontosít, amelyek hozzáférhetnek az adatokhoz,és felhasználhatják a tanuláshoz.
a tanulási folyamat megfigyelésekkel vagy adatokkal, például példákkal, közvetlen tapasztalatokkal vagy utasításokkal kezdődik, annak érdekében, hogy az adatok mintáit Keressük, és a jövőben jobb döntéseket hozzunk az általunk nyújtott példák alapján. Az elsődleges cél az, hogy a számítógépek emberi beavatkozás vagy segítség nélkül automatikusan tanuljanak, és ennek megfelelően módosítsák a műveleteket.
de a gépi tanulás klasszikus algoritmusait használva a szöveget kulcsszavak sorozatának tekintik; ehelyett a szemantikai elemzésen alapuló megközelítés utánozza az emberi képességet, hogy megértse a szöveg jelentését.
néhány gépi tanulási módszer
a gépi tanulási algoritmusokat gyakran felügyelt vagy felügyelet nélküli kategóriába sorolják.
- a felügyelt gépi tanulási algoritmusok alkalmazhatják a múltban tanultakat az új adatokra címkézett példák segítségével a jövőbeli események előrejelzésére. Egy ismert képzési adatkészlet elemzésétől kezdve a tanulási algoritmus egy levezetett függvényt állít elő a kimeneti értékek előrejelzésére. A rendszer megfelelő képzés után képes bármilyen új bemenetre célokat biztosítani. A tanulási algoritmus a kimenetet a megfelelő, tervezett kimenettel is összehasonlíthatja, valamint hibákat is találhat a modell megfelelő módosításához.
- ezzel szemben a felügyelet nélküli gépi tanulási algoritmusokat akkor használják, ha a képzéshez használt információkat nem osztályozzák vagy nem címkézik. A felügyelet nélküli tanulás azt vizsgálja, hogy a rendszerek hogyan következtethetnek egy olyan funkcióra, amely egy rejtett struktúrát jelöletlen adatokból ír le. A rendszer nem találja meg a megfelelő kimenetet, de feltárja az adatokat, és következtetéseket vonhat le az adatkészletekből a rejtett struktúrák leírására a jelöletlen adatokból.
- a félig felügyelt gépi tanulási algoritmusok valahol a felügyelt és felügyelet nélküli tanulás közé esnek, mivel mind a címkézett, mind a címkézetlen adatokat használják a képzéshez-jellemzően kis mennyiségű címkézett adat és nagy mennyiségű címkézetlen adat. Az ezt a módszert használó rendszerek jelentősen javíthatják a tanulási pontosságot. A félig felügyelt tanulást általában akkor választják ki, amikor a megszerzett címkézett adatok képzett és releváns erőforrásokat igényelnek annak képzéséhez / tanulásához. Ellenkező esetben a címkézetlen adatok megszerzése általában nem igényel további erőforrásokat.
- a megerősítő gépi tanulási algoritmusok olyan tanulási módszer, amely műveletekkel kölcsönhatásba lép a környezetével, hibákat vagy jutalmakat fedez fel. A próba-és hibakeresés, valamint a késleltetett jutalom a megerősítéses tanulás legfontosabb jellemzői. Ez a módszer lehetővé teszi a gépek és szoftverügynökök számára, hogy automatikusan meghatározzák az ideális viselkedést egy adott kontextusban a teljesítmény maximalizálása érdekében. Egyszerű jutalom visszacsatolás szükséges ahhoz, hogy az ügynök megtudja, melyik művelet a legjobb; ezt megerősítési jelnek nevezik.
a gépi tanulás nagy mennyiségű adat elemzését teszi lehetővé. Bár általában gyorsabb, pontosabb eredményeket nyújt a nyereséges lehetőségek vagy a veszélyes kockázatok azonosítása érdekében, további időre és erőforrásokra is szükség lehet a megfelelő képzéshez. A gépi tanulás AI-vel és kognitív technológiákkal való kombinálása még hatékonyabbá teheti a nagy mennyiségű információ feldolgozását.
szeretne többet megtudni?
lépjen kapcsolatba velünk DEMO kérése
eredetileg megjelent március 2017, frissítve május 2020