Maschinelles Lernen – Erste Schritte

Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz. Die Forschung zur künstlichen Intelligenz folgt einem natürlichen und klaren Weg von der Konzentration auf „Argumentation“ über die Konzentration auf „Wissen“ bis hin zum „Lernen“. Offensichtlich ist maschinelles Lernen eine Möglichkeit, künstliche Intelligenz zu realisieren, das heißt, maschinelles Lernen als Mittel zur Lösung von Problemen in der künstlichen Intelligenz zu nutzen. In den letzten 30 Jahren hat sich maschinelles Lernen zu einem interdisziplinären Fach mit mehreren Bereichen entwickelt, das Wahrscheinlichkeitstheorie, Statistik, Approximationstheorie, Konvexanalyse, rechnerische Komplexitätstheorie und andere Disziplinen umfasst. Die Theorie des maschinellen Lernens umfasst hauptsächlich den Entwurf und die Analyse von Algorithmen, die es Computern ermöglichen, automatisch zu „lernen“. Algorithmen für maschinelles Lernen sind eine Art von Algorithmen, die Daten automatisch analysieren und Muster daraus ermitteln und diese Muster verwenden, um unbekannte Daten vorherzusagen. Da Lernalgorithmen einen großen Teil der statistischen Theorie beinhalten, ist maschinelles Lernen besonders eng mit der Inferenzstatistik verbunden, die auch als „statistische Lerntheorie“ bekannt ist. In Bezug auf das Algorithmusdesign konzentriert sich die Theorie des maschinellen Lernens auf erreichbare und effektive Lernalgorithmen. Viele Inferenzprobleme sind ohne ein Programm schwer zu lösen, daher besteht ein Teil der maschinellen Lernforschung darin, handhabbare Näherungsalgorithmen zu entwickeln. Maschinelles Lernen wird häufig in den Bereichen Data Mining, Computer Vision, Verarbeitung natürlicher Sprache, biometrische Identifizierung, Suchmaschinen, medizinische Diagnose, Erkennung von Kreditkartenbetrug, Wertpapiermarktanalyse, DNA-Sequenzsequenzierung, Sprach- und Handschrifterkennung, strategische Spiele und Roboter eingesetzt , usw. .

Definition

Maschinelles Lernen hat die folgenden Definitionen:

Maschinelles Lernen ist eine Wissenschaft der künstlichen Intelligenz. Das Hauptforschungsobjekt in diesem Bereich ist künstliche Intelligenz, insbesondere die Frage, wie die Leistung bestimmter Algorithmen beim empirischen Lernen verbessert werden kann.

• Maschinelles Lernen ist das Studium von Computeralgorithmen, die sich durch Erfahrung automatisch verbessern können.
• Maschinelles Lernen nutzt Daten oder Erfahrungen aus der Vergangenheit, um die Leistungsstandards von Computerprogrammen zu optimieren.
Eine häufig zitierte englische Definition lautet: Ein Computerprogramm soll aus der Erfahrung E in Bezug auf eine Aufgabenklasse T und ein Leistungsmaß P lernen, wenn sich seine Leistung bei Aufgaben in T, gemessen durch P, mit der Erfahrung E verbessert.

Kategorie

Maschinelles Lernen kann in die folgenden Kategorien unterteilt werden:

Überwachtes Lernen lernt eine Funktion aus einem bestimmten Trainingsdatensatz. Wenn neue Daten eintreffen, kann das Ergebnis basierend auf dieser Funktion vorhergesagt werden. Die Trainingssatzanforderung des überwachten Lernens besteht darin, Eingabe und Ausgabe einzubeziehen, die auch als Merkmale und Ziele bezeichnet werden können. Die Objekte im Trainingssatz werden von Menschen beschriftet. Zu den gängigen Algorithmen für überwachtes Lernen gehören Regressionsanalyse und statistische Klassifizierung.

Der Unterschied zwischen überwachtem Lernen und unüberwachtem Lernen besteht darin, ob die Trainingsziele von Menschen festgelegt werden. Sie alle verfügen über Trainingssätze und beide über Eingabe und Ausgabe

Im Vergleich zum überwachten Lernen hat unüberwachtes Lernen keine vom Menschen gekennzeichneten Ergebnisse im Trainingssatz. Ein gängiger unbeaufsichtigter Lernalgorithmus ist Clustering.

• Halbüberwachtes Lernen liegt zwischen überwachtem Lernen und unüberwachtem Lernen.
• Reinforcement Learning lernt, wie man durch Beobachtung Aktionen ausführt. Jede Aktion hat Auswirkungen auf die Umgebung, und die Lernsubjekte fällen ihre Urteile auf der Grundlage der Rückmeldungen, die sie aus der Umgebung beobachten.

Referenzen

Bishop, C. M. (1995). „Neural Networks for Pattern Recognition“, Oxford University Press

Bishop, C. M. (2006). „Mustererkennung und maschinelles Lernen“, Springer
• Richard O. Duda, Peter E. Hart, David G. Stork (2001), New York: Wiley
MacKay, D. J. C. (2003). „Information Theory, Reasoning and Learning Algorithms“, Cambridge University Press
• Mitchel.l, T. (1997). „Machine Learning“, McGraw Hill ISBN 0-07-042807-7
• Sholom Weiss, Casimir Kulikowski (1991).
Computer Systems That Learn
• , Morgan Kaufmann

Das obige ist der detaillierte Inhalt vonMaschinelles Lernen – Erste Schritte. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!