Machine learning to aplikacja sztucznej inteligencji (AI), która zapewnia systemom możliwość automatycznego uczenia się i doskonalenia na podstawie doświadczenia bez wyraźnego zaprogramowania. Uczenie maszynowe koncentruje się na rozwoju programów komputerowych, które mogą uzyskać dostęp do danych i wykorzystać je do samodzielnej nauki.
proces uczenia się rozpoczyna się od obserwacji lub danych, takich jak przykłady, bezpośrednie doświadczenie lub instrukcja, w celu poszukiwania wzorców w danych i podejmowania lepszych decyzji w przyszłości w oparciu o przykłady, które podajemy. Głównym celem jest umożliwienie komputerom uczenia się automatycznie bez interwencji człowieka lub pomocy i odpowiednie dostosowanie działań.
ale, używając klasycznych algorytmów uczenia maszynowego, tekst jest uważany za sekwencję słów kluczowych; zamiast tego podejście oparte na analizie semantycznej naśladuje ludzką zdolność rozumienia znaczenia tekstu.
niektóre metody uczenia maszynowego
algorytmy uczenia maszynowego są często klasyfikowane jako nadzorowane lub nienadzorowane.
- nadzorowane algorytmy uczenia maszynowego mogą stosować to, czego nauczyliśmy się w przeszłości, do nowych danych za pomocą oznakowanych przykładów do przewidywania przyszłych zdarzeń. Począwszy od analizy znanego zestawu danych treningowych, algorytm uczenia tworzy wnioskowaną funkcję do przewidywania wartości wyjściowych. System jest w stanie zapewnić cele dla każdego nowego wkładu po odpowiednim przeszkoleniu. Algorytm uczący się może również porównać swój wynik z poprawnym, zamierzonym wynikiem i znaleźć błędy w celu odpowiedniej modyfikacji modelu.
- w przeciwieństwie do tego, algorytmy uczenia maszynowego bez nadzoru są używane, gdy informacje używane do szkolenia nie są ani sklasyfikowane, ani oznaczone. Uczenie się bez nadzoru bada, w jaki sposób systemy mogą wnioskować o funkcji opisującej ukrytą strukturę na podstawie nieoznakowanych danych. System nie wyszukuje właściwego wyjścia, ale bada dane i może wyciągać wnioski z zestawów danych, aby opisać Ukryte struktury z nieoznakowanych danych.
- pół-nadzorowane algorytmy uczenia maszynowego znajdują się gdzieś pomiędzy uczeniem się nadzorowanym i nienadzorowanym, ponieważ wykorzystują zarówno dane oznakowane, jak i nieoznakowane do szkolenia – zazwyczaj niewielką ilość danych oznakowanych i dużą ilość danych nieoznakowanych. Systemy wykorzystujące tę metodę są w stanie znacznie poprawić dokładność uczenia się. Zazwyczaj pół-nadzorowane uczenie się jest wybierane, gdy uzyskane oznaczone dane wymagają wykwalifikowanych i odpowiednich zasobów, aby je szkolić / uczyć się z nich. W przeciwnym razie pozyskiwanie nieoznakowanych danych zazwyczaj nie wymaga dodatkowych zasobów.
- algorytmy uczenia maszynowego wzmacniania to metoda uczenia się, która wchodzi w interakcję z otoczeniem poprzez tworzenie działań i wykrywanie błędów lub nagród. Wyszukiwanie metodą prób i błędów oraz opóźniona nagroda to najważniejsze cechy uczenia się przez wzmacnianie. Ta metoda pozwala maszynom i agentom oprogramowania automatycznie określić idealne zachowanie w określonym kontekście w celu maksymalizacji jego wydajności. Aby agent dowiedział się, które działanie jest najlepsze, potrzebna jest prosta informacja zwrotna o nagrodzie; jest to znany jako sygnał wzmocnienia.
Uczenie maszynowe umożliwia analizę ogromnych ilości danych. Chociaż na ogół zapewnia szybsze i dokładniejsze wyniki w celu identyfikacji rentownych szans lub niebezpiecznych zagrożeń, może również wymagać dodatkowego czasu i zasobów, aby odpowiednio je wyszkolić. Połączenie uczenia maszynowego z sztuczną inteligencją i technologiami kognitywnymi może jeszcze zwiększyć efektywność przetwarzania dużych ilości informacji.
chcesz dowiedzieć się więcej?
skontaktuj się z nami poproś o DEMO
pierwotnie opublikowany Marzec 2017, zaktualizowany maj 2020