Machine learning

Машинное обучение является полем компьютерной науки, которая дает компьютерным системам способность «учиться» (то есть, постепенно улучшить производительность конкретной задачи) с данными, не будучи явно запрограммированными.

Обучения Имя машины был придуман в 1959 году Артуром Самуила. Evolved от изучения распознавания образов и вычислительной теории обучения в области искусственного интеллекта, машинного обучения исследует изучение и построение алгоритмов, которые могут учиться и делать прогнозы на данных - такие алгоритмы преодолеваем следуя строго статичные инструкции программы, делая предсказания или решения, управляемые данными , 2 через построение модели из входов образцов. Машинное обучение используется в различных вычислительных задач, где разработка и программирование алгоритмов явные с хорошей производительностью является трудным или невозможным; Пример приложение включает в себя фильтрацию электронной почты, обнаружение сетевых вторжений или вредоносных инсайдеров, работающих в направлении нарушения данных, оптическое распознавание символов (OCR), обучение ранжировать и компьютерное зрение.

Машинное обучение тесно связано с (и часто пересекается с) вычислительной статистики, которая также фокусируется на предсказании решений за счет использования компьютеров. Она имеет прочные связи с математической оптимизации, которая обеспечивает методы, теории и прикладных областей на поле. Машинное обучение иногда сплавлено с добычей данных, где последний подполе больше фокусируется на поисковом анализе данных и известен как неконтролируемое обучение. обучения VII Машина также могут быть неконтролируемыми и использоваться для изучения и определения базовых поведенческих профилей для различных организаций, а затем используется, чтобы найти значимые аномалии.

В области анализа данных, машинное обучение является методом, используемым для разработки сложных моделей и алгоритмов, которые поддаются прогнозирование; в коммерческих целях, это известно как прогностический анализ. Эти аналитические модели позволяют исследователям, ученым данные, инженеры и аналитики «производить надежные, повторяемые решения и результаты» и выявить «скрытые идеи» через изучение исторических отношений и тенденций в данных.

Эффективное обучение машины трудно, потому что найти образцы трудно и часто не доступны достаточно подготовки данных в результате программы машинного обучения часто не в состоянии поставить.