Nauczanie maszynowe

Uczenie maszynowe to dziedzina informatyki, która daje systemom komputerowym możliwość „uczenia się” (tj. Stopniowego zwiększania wydajności w określonym zadaniu) na podstawie danych bez konieczności bezpośredniego programowania.

Nazwa Machine learning została wymyślona w 1959 roku przez Arthura Samuela. Uczenie maszynowe, powstałe w wyniku badań nad rozpoznawaniem wzorców i obliczeniową teorią uczenia się w sztucznej inteligencji, bada badanie i konstruowanie algorytmów, które mogą uczyć się na podstawie danych i prognozować na ich podstawie - takie algorytmy pokonują ściśle statyczne instrukcje programowe, wykonując prognozy lub decyzje oparte na danych , 2 poprzez zbudowanie modelu z przykładowych danych wejściowych. Uczenie maszynowe jest wykorzystywane w szeregu zadań obliczeniowych, w których projektowanie i programowanie jawnych algorytmów o dobrej wydajności jest trudne lub niewykonalne; Przykładowe aplikacje obejmują filtrowanie wiadomości e-mail, wykrywanie intruzów sieciowych lub złośliwych insiderów pracujących nad naruszeniem danych, optyczne rozpoznawanie znaków (OCR), uczenie się rangi i wizję komputerową.

Uczenie maszynowe jest ściśle powiązane ze statystyką obliczeniową (i często się z nią pokrywa), która również koncentruje się na prognozowaniu za pomocą komputerów. Ma silne powiązania z optymalizacją matematyczną, która dostarcza metody, teorię i domeny zastosowań w tej dziedzinie. Uczenie maszynowe jest czasami mylone z eksploracją danych, gdzie to drugie poddziedzinie koncentruje się bardziej na eksploracyjnej analizie danych i jest znane jako uczenie się bez nadzoru. vii Uczenie maszynowe może być również używane bez nadzoru i może być wykorzystywane do uczenia się i ustalania podstawowych profili behawioralnych dla różnych jednostek, a następnie wykorzystywane do znajdowania znaczących anomalii.

W dziedzinie analityki danych uczenie maszynowe jest metodą używaną do opracowywania złożonych modeli i algorytmów, które nadają się do przewidywania; w zastosowaniach komercyjnych jest to znane jako analityka predykcyjna. Te modele analityczne pozwalają badaczom, analitykom danych, inżynierom i analitykom na „tworzenie wiarygodnych, powtarzalnych decyzji i wyników” oraz odkrywanie „ukrytych spostrzeżeń” poprzez uczenie się na podstawie historycznych relacji i trendów w danych.

Skuteczne uczenie maszynowe jest trudne, ponieważ znajdowanie wzorców jest trudne i często brakuje wystarczających danych szkoleniowych, w wyniku czego programy uczenia maszynowego często zawodzą.