strojové učení (ML)
- Strojové učení pod dohledem
- Strojové učení bez dozoru
- Strojové učení s vlastním dohledem
Klasické programování používá programy (algoritmy) k vytváření výsledků:
Tradiční výpočetní technika
Data + počítačový algoritmus = výsledek
Strojové učení využívá výsledky k vytváření programů (algoritmů):
Strojové učení
Data + Výsledek = Počítačový algoritmus
Strojové učení
Strojové učení je často považováno za ekvivalent umělé inteligence.
To není správné. Strojové učení je podmnožinou umělé inteligence.
Strojové učení je disciplína umělé inteligence, která využívá data k výuce strojů.
"Strojové učení je obor, který dává počítačům schopnost učit se, aniž by byly programovány."
Arthur Samuel (1959)
Učení pod dohledem
Řízené učení používá označená data (data se známými odpověďmi) k trénování algoritmů, aby:
- Klasifikujte data
- Předvídat výsledky
Řízené učení může klasifikovat data jako „Co je spam v e-mailu“ na základě známých příkladů spamu.
Učení pod dohledem může předvídat výsledky, jako je předpovídání toho, jaké video se vám líbí, na základě videí, která jste přehráli.
Učení bez dozoru
Učení bez dozoru se používá k předpovídání nedefinovaných vztahů, jako jsou smysluplné vzorce v datech.
Jde o vytváření počítačových algoritmů, které se mohou samy zlepšovat.
Očekává se, že se strojové učení přesune na učení bez dozoru, aby programátoři mohli řešit problémy bez vytváření modelů.
Samokontrolované učení
Samokontrolované učení je podobné učení bez dozoru, protože oba pracují s daty bez lidských přidaných štítků.
Rozdíl je v tom, že učení bez dohledu využívá shlukování, seskupování a redukci dimenzionality, zatímco učení s vlastním dohledem vyvozuje vlastní závěry pro regresní a klasifikační úkoly.