A aprendizagem de máquinas é uma aplicação de inteligência artificial (IA) que fornece aos sistemas a capacidade de aprender e melhorar automaticamente a partir da experiência sem ser explicitamente programada. A aprendizagem de máquinas centra-se no desenvolvimento de programas de computador que podem aceder aos dados e utilizá-los aprender por si próprios.

O caminho para a aprendizagem começa com percepções ou informação, por exemplo, modelos, envolvimento directo ou orientação, de modo a procurar desenhos na informação e a estabelecer-se em melhores escolhas mais tarde, dependendo dos modelos que damos. O ponto essencial é permitir que os PCs se adaptem naturalmente sem mediação humana ou ajuda e modifiquem as atividades da mesma maneira.

Algumas técnicas de IA

Os cálculos da IA são regularmente classificados como administrados ou não.

Cálculos de IA regulamentados podem aplicar o que foi realizado no passado a novas informações, utilizando guias nomeados para prever ocasiões futuras. A partir do exame de um conjunto de dados conhecido de preparação, o cálculo da aprendizagem cria uma capacidade acumulada para fazer expectativas sobre a estimativa de rendimento. A estrutura pode dar ênfase a qualquer nova contribuição após uma preparação adequada. O cálculo da aprendizagem pode igualmente contrastar o seu rendimento e o rendimento certo e esperado e descobrir erros de modo a alterar o modelo da mesma forma.

Curiosamente, cálculos de IA sem ajuda são utilizados quando os dados usados para preparar não estão dispostos nem marcados. A aprendizagem sem ajuda considera como as estruturas podem construir uma capacidade de retratar uma estrutura oculta a partir de informações não etiquetadas. A estrutura não faz sentido para o rendimento correto, mas investiga a informação e pode atrair derivações de conjuntos de dados para retratar estruturas ocultas a partir de informação não etiquetada.

Os cálculos semi-gerenciados de IA caem em algum lugar no meio da aprendizagem dirigida e sem ajuda, uma vez que utilizam informações marcadas e não marcadas para a preparação – normalmente uma quantidade limitada de informações nomeadas e muitas informações não marcadas. As estruturas que utilizam esta técnica podem melhorar de forma impressionante a exatidão da aprendizagem. Normalmente, a aprendizagem semi-direccionada é escolhida quando a informação nomeada obtida requer recursos talentosos e significativos, de modo a prepará-la/ganho a partir dela. Outra coisa, a aquisição de informação não etiquetada, na sua maioria, não requer ativos extras.

O cálculo da IA de fortificação é uma técnica de aprendizagem que coopera com a sua condição através da realização de actividades e encontra erros ou recompensas. A pesquisa experimental e a recompensa adiada são as qualidades mais pertinentes do aprendizado da fortificação. Esta técnica permite que as máquinas e os especialistas em programação decidam consequentemente a conduta perfeita dentro de um determinado ambiente, de modo a impulsionar a sua apresentação. Para que o especialista possa perceber qual é a actividade ideal, é necessária uma crítica directa à recompensa; isto é conhecido como o sinal de fortificação.

A inteligência artificial capacita a investigação de enormes quantidades de informação. Embora, em sua maioria, transmita resultados mais rápidos e progressivamente exatos, de modo a reconhecer mudanças lucrativas ou perigos arriscados, ela também pode exigir tempo e recursos extras para prepará-la adequadamente. A consolidação da IA com inteligência baseada em computador e avanços intelectuais pode torná-la cada vez mais bem sucedida na preparação de enormes volumes de dados.