Машинное Обучение

Машинное обучение (ML) является подмножеством искусственного интеллекта. Основное внимание уделяется изучению компьютерных алгоритмов, которые улучшаются автоматически самостоятельно, благодаря опыту. Эти алгоритмы используются в самых разных приложениях, от компьютерного зрения до математической оптимизации. Алгоритмы ML необходимы, когда сложно или невозможно разработать традиционные алгоритмы для выполнения необходимой задачи.

Четыре основных типа ML включают в себя:

• Управляемые алгоритмы машинного обучения, которые могут применять то, что уже изучено в предыдущих ситуациях, к новым данным, используя помеченные примеры для прогнозирования возможных будущих событий.
• Необслуживаемые алгоритмы машинного обучения используются, когда информация, используемая для обучения модели, не классифицирована и не помечена. Обучение без учителя может вывести функцию для описания скрытой структуры из немаркированных данных. Аналогично, система не предназначена для определения правильного вывода, но она исследует данные и может делать выводы из наборов данных для описания скрытых структур из немаркированных данных.
• Алгоритмы машинного обучения с полууправлением находятся между контролируемым и неконтролируемым обучением. Они используют как помеченные, так и непомеченные данные для обучения, ориентируясь на немеченые данные. Обучение под наблюдением выбирается, когда полученные помеченные данные требуют квалифицированных и соответствующих ресурсов для обучения / изучения этого. В противном случае получение данных без маркировки обычно не требует дополнительного капитала.
• Укрепление алгоритмов машинного обучения – это метод обучения, который производит действия и выявляет ошибки в своей среде. Этот метод позволяет алгоритму автоматически понимать поведение в определенном контексте, чтобы максимизировать его производительность. Обратная связь вознаграждения необходима агенту, чтобы понять, какое действие лучше, и это известно как сигнал подкрепления.