Pag-aaral ng machine

english Learning machine

Pangkalahatang-ideya

Ang pag-aaral ng machine ay isang subset ng artipisyal na katalinuhan sa larangan ng agham ng computer na kadalasang gumagamit ng mga estadistikang pamamaraan upang bigyan ang mga computer ng kakayahang "matuto" (ibig sabihin, patuloy na mapabuti ang pagganap sa isang partikular na gawain) na may data, nang hindi tahasang na-program.
Ang pangalan ng pag- aaral ng makina ay likha noong 1959 ni Arthur Samuel. Lumitaw mula sa pag-aaral ng pagkilala sa pagkilala sa estilo at computational learning theory sa artipisyal na katalinuhan, pag-aaral ng machine explores ang pag-aaral at pagtatayo ng mga algorithm na maaaring matuto mula sa at gumawa ng mga hula sa data - ang mga algorithm na pagtagumpayan sumusunod mahigpit na static na mga tagubilin ng programa sa pamamagitan ng paggawa ng mga paghuhula o mga desisyon na hinimok ng data , sa pamamagitan ng pagbuo ng isang modelo mula sa mga sample na input. Ang pag-aaral ng machine ay nagtatrabaho sa isang hanay ng mga gawain sa computing kung saan ang pagdidisenyo at mga programa ng malinaw na mga algorithm na may mahusay na pagganap ay mahirap o hindi maaaring gawin; Ang mga halimbawa ng mga aplikasyon ay kinabibilangan ng pag-filter ng email, pagtuklas ng mga intruder ng network o mga nakakasamang insider na nagtatrabaho patungo sa isang paglabag sa data, optical character recognition (OCR), pag-aaral sa ranggo, at computer vision.
Ang pag-aaral ng machine ay malapit na nauugnay sa (at kadalasan ay nakikipag-ugnayan sa) mga istatistika ng computational, na nagtutuon din sa paghula sa pamamagitan ng paggamit ng mga computer. Ito ay may malakas na ugnayan sa matematika optimization, na naghahatid ng mga pamamaraan, teorya at mga application domain sa field. Ang pag-aaral ng makina ay paminsan-minsan ay nakumpiska sa pagmimina ng datos, kung saan ang huling subfield ay higit na nakatutok sa pag-aaral ng pagsaliksik ng datos at kilala bilang walang pangangalaga na pag-aaral. Ang pag-aaral ng machine ay maaari ding maging unservervised at magamit upang matutunan at maitatag ang mga profile ng pag-uugali ng baseline para sa iba't ibang mga entity at pagkatapos ay ginagamit upang makahanap ng makabuluhang mga anomalya.
Sa loob ng larangan ng analytics ng data, ang pag-aaral ng makina ay isang pamamaraan na ginagamit upang gawing kumplikadong mga modelo at mga algorithm na nagpapahiram sa kanilang hula; sa komersyal na paggamit, ito ay kilala bilang predictive analytics. Pinahihintulutan ng mga analitikong modelo na ito ang mga mananaliksik, siyentipiko ng data, mga inhinyero, at mga analyst upang makagawa ng maaasahang, maulit na mga desisyon at resulta "at buksan ang" nakatagong mga pananaw "sa pamamagitan ng pag-aaral mula sa mga makasaysayang ugnayan at mga uso sa data.
Sa isang aparato (halimbawa, isang computer) para sa pag-convert ng impormasyon sa pag-input sa impormasyon ng output ayon sa isang partikular na prinsipyo ng conversion, ang prinsipyo ng conversion ay kinabibilangan ng isang tiyak na criterion ng pagsusuri hinggil sa kanyang pag-uugali at ito ay binuo upang unti-unting mapabuti ang pag-uugali nito nang naaayon mayroon ka. Ang kinatawan ay isang makina na tumutukoy sa Wiener's chess, at kabisaduhin ito tuwing makakakuha siya ng karanasan sa laro, analytically sinusuri ito (halimbawa, isang nangungunang pulutong) at unti-unting nagiging mas malakas. Sa pangkalahatan posible na makakuha ng mataas na kakayahan sa pamamagitan ng kanilang sarili na nagsisimula sa hindi kumpletong mga programa, kakulangan ng impormasyon (karanasan). → Perceptron