기계 학습은 응용 프로그램의 인공지능(AI)는 시스템을 제공합하는 능력이 자동으로 배우고 개선에서 경험하지 않고 명시적으로 프로그램되어 있습니다. 기계 학습은 데이터에 액세스하고 스스로 학습하는 데 사용할 수있는 컴퓨터 프로그램의 개발에 중점을 둡니다.
프로세스의 학습을 시작으로 관찰하거나 데이터와 같은 예제를 직접 경험,또는 지시기 위해서 패턴을 찾는 데이터 및 더 나은 의사 결정을 바탕으로 앞으로의 예제는 우리가 제공합니다. 기본 목표는 컴퓨터가 인간의 개입이나 도움없이 자동으로 학습하고 그에 따라 작업을 조정할 수 있도록하는 것입니다.
그러나 사용하여,고전적인 알고리즘의 기계 학습,텍스트는 것으로 간주의 순서를 키워드는 대신에 따라 접근 방식을 의미 분석을 모방하는 인간의 능력을 의미를 이해하의 텍스트이다.
일부 기계 학습 방법
기계 학습 알고리즘은 종종으로 분류 감독 또는 자율.
- 감독 기계 학습 알고리즘을 적용할 수 있는 것에서 배운 과거를 새로운 데이터를 사용하여 표시 예를 예측하는 미래의 이벤트입니다. 시작의 분석에서 알려진 데이터 집합 교육,학습 알고리즘을 생산하는 유추하는 기능에 대한 예측을 출력 값이다. 이 시스템은 충분한 교육 후에 새로운 입력에 대한 대상을 제공 할 수 있습니다. 학습 알고리즘 비교할 수 있습의 출력이 올바른 것을 출력하고 오류를 발견하기 위해 모델을 수정합니다.
- 반면에,자율 기계 학습 알고리즘을 사용할 때 정보를 사용하는 열차가 둘 분류되도 표시되어 있습니다. 감독되지 않은 학습은 시스템이 레이블이없는 데이터에서 숨겨진 구조를 설명하는 기능을 추론 할 수있는 방법을 연구합니다. 시스템지 않을 그림으로 바로 출력하지만,그것을 탐구한 데이터 그릴 수 있습니다 추론에서 데이터 집합을 설명하는 구조에서 레이블이 없는 데이터입니다.
- 반-감독 기계 학습 알고리즘 어딘가에 사이에서 감독 및 자율 학습을,이후 그들은 그들 모두 사용하여 표시하고 있는 레이블이 없는 데이터에 대한 교육–일반적으로 소량의 표시 데이터와 많은 양의 레이블이 없는 데이터입니다. 이 방법을 사용하는 시스템은 학습 정확도를 상당히 향상시킬 수 있습니다. 일반적으로,반도 학습되는 경우에 선택 취득 표시 데이터를 필요로 숙련되고 관련 자원 훈련을 받기 위해서는 it/는 것은 불가능합니다. 그렇지 않으면 레이블이 지정되지 않은 데이터를 획득하는 데 일반적으로 추가 리소스가 필요하지 않습니다.
- 강화 기계 학습 알고리즘은 학습 방법과 상호 작용하는 환경을 생산하여 행동과 오류를 발견 또는 보상합니다. 시행 착오 검색 및 지연 보상은 보강 학습의 가장 관련성이 높은 특성입니다. 이 방법은 컴퓨터와 소프트웨어에 에이전트가 자동으로 결정하는 이상적인 동작에 특정한 상황을 극대화하기 위해 그 성능이다. 대리인이 어떤 행동이 가장 좋은지 알아보기 위해서는 간단한 보상 피드백이 필요합니다.
기계 학습은 방대한 양의 데이터를 분석 할 수있게합니다. 는 동안 그것을 일반적으로 제공합 더 빠르고,더 많은 정확한 결과를 식별하기 위해서 기회를 수익성이나 위험한 위험을,그것도 추가 시간이 필요하고 자원을 훈련합니다. 기계 학습과 인공 지능 및인지 기술을 결합하면 대량의 정보를 처리하는 데 더욱 효과적 일 수 있습니다.
자세한 내용을 원하십니까?
문의하기 데모 요청
원래 2017 년 3 월 게시,2020 년 5 월 업데이트