Uczenie się maszynowe jest aplikacją sztucznej inteligencji (AI), która zapewnia systemom zdolność do automatycznego uczenia się i doskonalenia na podstawie samego doświadczenia, bez konieczności wyraźnego programowania. Uczenie maszynowe koncentruje się na rozwoju programów komputerowych, które mogą uzyskać dostęp do danych i wykorzystywać je do samodzielnego uczenia się.
Ten proces uczenia się rozpoczyna się od obserwacji lub danych, takich jak przykłady, doświadczenia z pierwszej ręki lub instrukcje, w celu poszukiwania wzorców w danych i podejmowania lepszych decyzji w przyszłości na podstawie podanych przez nas przykładów. Głównym celem jest umożliwienie komputerom automatycznego uczenia się bez ludzkiej interwencji lub pomocy i odpowiednie dostosowanie działań.
Nadzorowane algorytmy uczenia się maszyn mogą zastosować to, czego nauczyliśmy się w przeszłości, do nowych danych, wykorzystując oznaczone przykłady do przewidywania przyszłych zdarzeń. Wychodząc od analizy znanego zbioru danych szkoleniowych, algorytm uczenia się wytwarza wydedukowaną funkcję do przewidywania wartości wyjściowych. t może zapewnić cele po odpowiednim przeszkoleniu dla każdego nowego wkładu. Algorytm uczenia się może również porównać swoje dane wyjściowe z prawidłowymi i przewidywanymi danymi wyjściowymi i znaleźć błędy, aby odpowiednio zmodyfikować model.
Natomiast bezobsługowe algorytmy uczenia maszynowego są stosowane, gdy informacje wykorzystywane do szkolenia nie są ani klasyfikowane, ani oznaczane. Nienadzorowane uczenie się bada, w jaki sposób systemy mogą wnioskować o funkcji opisującej strukturę ukrytą w nieoznaczonych danych. System nie rozumie właściwego wyniku, ale bada dane i może wyciągnąć wnioski ze zbiorów danych w celu opisania struktur ukrytych przez nieoznaczone dane.
Na wpół nadzorowane algorytmy uczenia maszynowego są w połowie drogi między uczeniem nadzorowanym a nienazwanym, ponieważ wykorzystują one zarówno dane oznaczone, jak i nieoznaczone do celów szkoleniowych – zazwyczaj niewielka ilość danych oznaczonych i duża ilość danych nieoznaczonych. Systemy, które wykorzystują tę metodę, są w stanie znacznie poprawić dokładność uczenia się. Zazwyczaj uczenie się na wpół nadzorowane jest wybierane, gdy oznaczone dane wymagają wykwalifikowanych i odpowiednich zasobów, aby móc się z nich szkolić/uczyć. W przeciwnym razie, nabycie danych nieoznaczonych na etykiecie na ogół nie wymaga dodatkowych zasobów.
Wzmacnianie algorytmów uczenia się maszynowego jest metodą uczenia się, która wchodzi w interakcję z otaczającym środowiskiem, powodując działania i odkrywanie błędów lub nagród. Poszukiwanie prób i błędów oraz opóźnionych wypłat nagród to najistotniejsze cechy uczenia się wzmocnień. Umożliwia ono maszynom i agentom oprogramowania automatyczne określenie idealnego zachowania w określonym kontekście w celu zmaksymalizowania jego wydajności. Prosta informacja zwrotna o nagrodzie jest niezbędna, aby agent dowiedział się, które działanie jest najlepsze; jest to tzw. sygnał zbrojeniowy.
Nauczanie maszynowe pozwala na analizę ogromnej ilości danych. Podczas gdy zazwyczaj zapewnia szybsze i dokładniejsze wyniki w celu zidentyfikowania opłacalnych możliwości lub niebezpiecznych zagrożeń, może również wymagać dodatkowego czasu i środków na odpowiednie przeszkolenie agenta. Połączenie uczenia maszynowego ze sztuczną inteligencją i technologiami kognitywnymi może uczynić je jeszcze bardziej efektywnym w przetwarzaniu dużych ilości informacji.