Uczenie Maszynowe

Uczenie maszynowe (ML) jest podzbiorem sztucznej inteligencji. Koncentruje się na badaniu algorytmów komputerowych, które poprawiają się same, poprzez doświadczenie. Algorytmy te są wykorzystywane w wielu różnych aplikacjach, od wizji komputerowej do optymalizacji matematycznych. Algorytmy ML są konieczne, gdy opracowanie konwencjonalnych algorytmów do wykonania niezbędnego zadania jest trudne lub niewykonalne.

Cztery główne typy ML obejmują:

• Nadzorowane algorytmy uczenia maszynowego, które mogą zastosować to, czego już się nauczyłem w poprzednich sytuacjach, do nowych danych przy użyciu oznaczonych przykładów w celu przewidywania możliwych przyszłych zdarzeń.
• Algorytmy uczenia maszynowego bez nadzoru są stosowane, gdy informacje wykorzystane do szkolenia modelu nie są klasyfikowane ani oznakowane. Uczenie się bez nadzoru może wywnioskować funkcję opisującą ukrytą strukturę na podstawie danych nieznakowanych. Podobnie, system nie ma na celu znalezienia właściwego wyniku, ale bada dane i może wyciągać wnioski z zestawów danych w celu opisania ukrytych struktur na podstawie danych nieznakowanych.
• Półnadzorowane algorytmy uczenia maszynowego mieszczą się między uczeniem nadzorowanym i bez nadzoru. Używają zarówno danych oznaczonych, jak i nieznakowanych do treningu, przechylając się w kierunku danych nieznakowanych. Seminarium nadzorowane jest wybierane, gdy pozyskane oznakowane dane wymagają wykwalifikowanych i odpowiednich zasobów do szkolenia / uczenia się z tego. W przeciwnym razie pozyskiwanie danych bez etykiety zazwyczaj nie wymaga dodatkowego kapitału.
• Algorytmy uczenia maszynowego zbrojenia to metoda uczenia się, która wytwarza działania i wykrywa błędy w swoim środowisku. Ta metoda pozwala algorytmowi automatycznie zrozumieć zachowanie w określonym kontekście, aby zmaksymalizować jego wydajność. Informacje zwrotne od nagrody są potrzebne, aby agent zrozumiał, która akcja jest najlepsza, i jest to znane jako sygnał wzmacniający.