Pembelajaran Mesin - Bermula

Pembelajaran mesin ialah satu cabang kecerdasan buatan. Penyelidikan mengenai kecerdasan buatan mengikuti jalan semula jadi dan jelas daripada memfokuskan pada "penaakulan" kepada memberi tumpuan kepada "pengetahuan" dan kemudian kepada "pembelajaran". Jelas sekali, pembelajaran mesin ialah satu cara untuk merealisasikan kecerdasan buatan, iaitu, menggunakan pembelajaran mesin sebagai cara untuk menyelesaikan masalah dalam kecerdasan buatan. Dalam 30 tahun yang lalu, pembelajaran mesin telah berkembang menjadi subjek antara disiplin pelbagai bidang, yang melibatkan teori kebarangkalian, statistik, teori penghampiran, analisis cembung, teori kerumitan pengiraan dan disiplin lain. Teori pembelajaran mesin terutamanya melibatkan reka bentuk dan analisis algoritma yang membolehkan komputer "belajar" secara automatik. Algoritma pembelajaran mesin ialah sejenis algoritma yang secara automatik menganalisis dan mendapatkan corak daripada data dan menggunakan corak untuk meramal data yang tidak diketahui. Oleh kerana algoritma pembelajaran melibatkan sejumlah besar teori statistik, pembelajaran mesin amat berkait rapat dengan statistik inferensi, juga dikenali sebagai teori pembelajaran statistik. Dari segi reka bentuk algoritma, teori pembelajaran mesin memberi tumpuan kepada algoritma pembelajaran yang boleh dicapai dan berkesan. Banyak masalah inferens sukar untuk diikuti tanpa program, jadi sebahagian daripada penyelidikan pembelajaran mesin adalah untuk membangunkan algoritma anggaran yang boleh dikendalikan.

Pembelajaran mesin telah digunakan secara meluas dalam perlombongan data, penglihatan komputer, pemprosesan bahasa semula jadi, pengenalan biometrik, enjin carian, diagnosis perubatan, pengesanan penipuan kad kredit, analisis pasaran sekuriti, penjujukan urutan DNA, pengiktirafan pertuturan dan tulisan tangan, permainan strategik dan robot , dan lain-lain. .

Definisi

Pembelajaran mesin mempunyai definisi berikut:

• Pembelajaran mesin ialah sains kecerdasan buatan Objek kajian utama dalam bidang ini ialah kecerdasan buatan, terutamanya bagaimana untuk meningkatkan prestasi algoritma tertentu dalam pembelajaran empirikal.
• Pembelajaran mesin ialah kajian algoritma komputer yang boleh bertambah baik secara automatik melalui pengalaman.
• Pembelajaran mesin menggunakan data atau pengalaman lepas untuk mengoptimumkan standard prestasi program komputer.

Definisi bahasa Inggeris yang sering disebut ialah: Program komputer dikatakan belajar daripada pengalaman E berkenaan dengan beberapa kelas tugasan T dan ukuran prestasi P, jika prestasinya pada tugasan dalam T, seperti yang diukur oleh P, bertambah baik dengan pengalaman E .

Kategori

Pembelajaran mesin boleh dibahagikan kepada kategori berikut:

• Pembelajaran diselia mempelajari fungsi daripada set data latihan yang diberikan Apabila data baharu tiba, hasilnya boleh diramal berdasarkan fungsi ini. Keperluan set latihan pembelajaran yang diselia adalah untuk memasukkan input dan output, yang juga boleh dikatakan sebagai ciri dan sasaran. Objek dalam set latihan dilabelkan oleh manusia. Algoritma pembelajaran biasa diselia termasuk analisis regresi dan klasifikasi statistik.

Perbezaan antara pembelajaran diselia dan pembelajaran tidak diselia ialah sama ada latihan yang ditetapkan sasaran dilabelkan oleh manusia. Kesemuanya mempunyai set latihan dan kedua-duanya mempunyai input dan output

• Berbanding dengan pembelajaran diselia, pembelajaran tanpa pengawasan tidak mempunyai hasil yang dilabelkan manusia dalam set latihan. Algoritma pembelajaran tanpa pengawasan yang biasa ialah pengelompokan.
• Pembelajaran separuh penyeliaan adalah antara pembelajaran diselia dan pembelajaran tanpa penyeliaan.
• Pembelajaran pengukuhan mempelajari cara melakukan tindakan melalui pemerhatian. Setiap tindakan mempunyai kesan ke atas alam sekitar, dan subjek pembelajaran membuat pertimbangan berdasarkan maklum balas yang mereka amati daripada persekitaran sekeliling.

Rujukan

• Bishop, C. M. (1995). "Rangkaian Neural untuk Pengecaman Corak", Oxford University Press 0-19-853864-2.
• Bishop, C. M. (2006). "Pengiktirafan Pola dan Pembelajaran Mesin", Springer ISBN 978-0-387-31073-2.
• Richard O. Duda, Peter E. Hart, David G. Stork (2001 "Klasifikasi Corak" (Edisi ke-2), New York: Wiley 0-471-05669-3.
• MacKay, D. J. C. (2003) "Teori Maklumat, Penaakulan dan Algoritma Pembelajaran", Cambridge University Press 0-521-64298-1
Mitchel.l, T. (1997). "Pembelajaran Mesin", McGraw Hill 0-07-042807-7
• Sholom Weiss, Casimir Kulikowski (1991
Sistem Komputer Yang Belajar
• , Morgan Kaufmann ISBN 1-55860-065-5.

Atas ialah kandungan terperinci Pembelajaran Mesin - Bermula. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!