기계 학습

기계 학습은 컴퓨터 시스템이 명시 적으로 프로그래밍하지 않고도 데이터로 "학습"(즉, 특정 작업의 성능을 점진적으로 향상) 할 수있는 기능을 제공하는 컴퓨터 과학 분야입니다.

기계 학습이라는 이름은 1959 년 Arthur Samuel에 의해 만들어졌습니다. 인공 지능의 패턴 인식 및 컴퓨터 학습 이론 연구에서 진화 한 기계 학습은 데이터에서 학습하고 예측할 수있는 알고리즘의 연구 및 구성을 탐구합니다. 이러한 알고리즘은 데이터 기반 예측 또는 결정을 통해 엄격하게 정적 인 프로그램 명령을 따라 극복합니다. , 2 샘플 입력에서 모델 구축을 통해. 기계 학습은 우수한 성능으로 명시 적 알고리즘을 설계하고 프로그래밍하는 것이 어렵거나 실행 불가능한 다양한 컴퓨팅 작업에 사용됩니다. 예제 애플리케이션에는 이메일 필터링, 네트워크 침입자 또는 데이터 유출을 위해 일하는 악의적 인 내부자 탐지, OCR (Optical Character Recognition), 순위 학습 및 컴퓨터 비전이 포함됩니다.

기계 학습은 컴퓨터 사용을 통한 예측에 초점을 맞춘 계산 통계와 밀접한 관련이 있으며 종종 중복됩니다. 방법, 이론 및 응용 분야를 현장에 제공하는 수학적 최적화와 밀접한 관련이 있습니다. 기계 학습은 때때로 데이터 마이닝과 결합되며, 후자의 하위 필드는 탐색 적 데이터 분석에 더 중점을두고 비지도 학습으로 알려져 있습니다. vii 기계 학습은 또한 감독되지 않고 다양한 엔티티에 대한 기본 행동 프로필을 학습하고 설정하는 데 사용되며 의미있는 이상을 찾는 데 사용될 수 있습니다.

데이터 분석 분야에서 기계 학습은 예측에 적합한 복잡한 모델과 알고리즘을 고안하는 데 사용되는 방법입니다. 상업적 사용에서는이를 예측 분석이라고합니다. 이러한 분석 모델을 통해 연구자, 데이터 과학자, 엔지니어 및 분석가는 "안정적이고 반복 가능한 의사 결정 및 결과를 생성"하고 데이터의 과거 관계 및 추세에서 학습을 통해 "숨겨진 통찰력"을 발견 할 수 있습니다.

패턴을 찾는 것이 어렵고 결과적으로 충분한 교육 데이터를 사용할 수 없기 때문에 효과적인 기계 학습은 어렵습니다. 기계 학습 프로그램은 종종 제공하지 못합니다.