Apprentissage automatique – Pour commencer

Machine learning est une branche de l'intelligence artificielle. La recherche sur l’intelligence artificielle suit un chemin naturel et clair, passant du « raisonnement » au « savoir », puis à « l’apprentissage ». De toute évidence, l'apprentissage automatique est un moyen de réaliser l'intelligence artificielle, c'est-à-dire d'utiliser l'apprentissage automatique comme moyen de résoudre des problèmes liés à l'intelligence artificielle. Au cours des 30 dernières années, l'apprentissage automatique est devenu un sujet interdisciplinaire multidisciplinaire, impliquant la théorie des probabilités, les statistiques, la théorie de l'approximation, l'analyse convexe, la théorie de la complexité informatique et d'autres disciplines. La théorie de l’apprentissage automatique implique principalement la conception et l’analyse d’algorithmes qui permettent aux ordinateurs d’« apprendre » automatiquement. Les algorithmes d'apprentissage automatique sont un type d'algorithme qui analyse et obtient automatiquement des modèles à partir de données et utilise ces modèles pour prédire des données inconnues. Étant donné que les algorithmes d’apprentissage impliquent une grande partie de la théorie statistique, l’apprentissage automatique est particulièrement étroitement lié aux statistiques inférentielles, également connues sous le nom de « théorie de l’apprentissage statistique ». En termes de conception d’algorithmes, la théorie de l’apprentissage automatique se concentre sur des algorithmes d’apprentissage réalisables et efficaces. De nombreux problèmes d'inférence sont difficiles à résoudre sans programme. Une partie de la recherche en apprentissage automatique consiste donc à développer des algorithmes approximatifs traitables. L'apprentissage automatique a été largement utilisé dans l'exploration de données, la vision par ordinateur, le traitement du langage naturel, l'identification biométrique, les moteurs de recherche, le diagnostic médical, la détection de fraude par carte de crédit, l'analyse du marché des valeurs mobilières, le séquençage de séquences d'ADN, la reconnaissance vocale et manuscrite, les jeux et robots stratégiques. , etc. .

Définition

L'apprentissage automatique a les définitions suivantes :

L'apprentissage automatique est une science de l'intelligence artificielle. Le principal objet de recherche dans ce domaine est l'intelligence artificielle, notamment comment améliorer les performances d'algorithmes spécifiques dans l'apprentissage empirique.

• L'apprentissage automatique est l'étude d'algorithmes informatiques qui peuvent automatiquement s'améliorer grâce à l'expérience.
• L'apprentissage automatique utilise des données ou une expérience passée pour optimiser les normes de performances des programmes informatiques.
Une définition anglaise fréquemment citée est la suivante : on dit qu'un programme informatique apprend de l'expérience E en ce qui concerne une classe de tâches T et une mesure de performance P, si ses performances aux tâches de T, telles que mesurées par P, s'améliorent avec l'expérience E.

Catégorie

L'apprentissage automatique peut être divisé dans les catégories suivantes :

L'apprentissage supervisé apprend une fonction à partir d'un ensemble de données d'entraînement donné. Lorsque de nouvelles données arrivent, le résultat peut être prédit en fonction de cette fonction. L'exigence de l'ensemble de formation de l'apprentissage supervisé est d'inclure les entrées et les sorties, qui peuvent également être considérées comme des caractéristiques et des cibles. Les objets de l'ensemble d'entraînement sont étiquetés par des humains. Les algorithmes d'apprentissage supervisé courants incluent l'analyse de régression et la classification statistique.

La différence entre l'apprentissage supervisé et l'apprentissage non supervisé réside dans le fait que les objectifs fixés pour l'entraînement soient étiquetés par des humains. Ils ont tous des ensembles de formation et tous deux ont une entrée et une sortie

Par rapport à l'apprentissage supervisé, l'apprentissage non supervisé n'a aucun résultat étiqueté par l'homme dans l'ensemble de formation. Un algorithme d’apprentissage non supervisé courant est le clustering.

• L'apprentissage semi-supervisé se situe entre l'apprentissage supervisé et l'apprentissage non supervisé.
• L'apprentissage par renforcement apprend à effectuer des actions par l'observation. Chaque action a un impact sur l'environnement, et les sujets d'apprentissage portent des jugements sur la base des retours qu'ils observent de l'environnement qui les entoure.

Références

Bishop, C. M. (1995). "Réseaux de neurones pour la reconnaissance de formes", Oxford University Press ISBN 0-19-853864-2.

• Bishop, CM (2006). "Reconnaissance de formes et apprentissage automatique", Springer ISBN 978-0-387-31073-2.
• Richard O. Duda, Peter E. Hart, David G. Stork (2001). « Classification des modèles » (2e édition), New York : ISBN 0-471-05669-3.
.
• MacKay, DJC (2003). "Théorie de l'information, raisonnement et algorithmes d'apprentissage", Cambridge University Press ISBN 0-521-64298-1
.
• Mitchel.l, T. (1997). "Apprentissage automatique", McGraw Hill ISBN 0-07-042807-7
.
• Sholom Weiss, Casimir Kulikowski (1991)
Systèmes informatiques qui apprennent
• , Morgan Kaufmann ISBN 1-55860-065-5..

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!