Zawartość
- Definicja - Co oznacza uczenie maszynowe?
- Wprowadzenie do Microsoft Azure i Microsoft Cloud | W tym przewodniku dowiesz się, na czym polega przetwarzanie w chmurze i jak Microsoft Azure może pomóc w migracji i prowadzeniu firmy z chmury.
- Techopedia wyjaśnia Machine Learning
Definicja - Co oznacza uczenie maszynowe?
Uczenie maszynowe to dyscyplina sztucznej inteligencji (AI) ukierunkowana na rozwój technologiczny wiedzy ludzkiej. Uczenie maszynowe pozwala komputerom radzić sobie z nowymi sytuacjami poprzez analizę, samokształcenie, obserwację i doświadczenie.
Uczenie maszynowe ułatwia ciągłe doskonalenie komputerów poprzez ekspozycję na nowe scenariusze, testowanie i adaptację, przy jednoczesnym zastosowaniu wykrywania wzorców i trendów w celu poprawy decyzji w kolejnych (choć nie identycznych) sytuacjach.
Uczenie maszynowe jest często mylone z eksploracją danych i odkrywaniem wiedzy w bazach danych (KDD), które mają podobną metodologię.
Wprowadzenie do Microsoft Azure i Microsoft Cloud | W tym przewodniku dowiesz się, na czym polega przetwarzanie w chmurze i jak Microsoft Azure może pomóc w migracji i prowadzeniu firmy z chmury.
Techopedia wyjaśnia Machine Learning
Tom M. Mitchell, pionier uczenia maszynowego i profesor Carnegie Mellon University (CMU), przewidział ewolucję i synergię uczenia się człowieka i uczenia maszynowego. Dzisiejszy kanał informacyjny jest doskonałym przykładem. Kanał wiadomości jest zaprogramowany do wyświetlania treści przyjaznych dla użytkownika. Jeśli użytkownik często taguje lub pisze na ścianie konkretnego znajomego, kanał informacyjny zmienia swoje zachowanie, aby wyświetlać więcej treści od tego znajomego.
Inne aplikacje do uczenia maszynowego obejmują rozpoznawanie wzorców składniowych, przetwarzanie języka naturalnego, wyszukiwarki, widzenie komputerowe i postrzeganie maszyn.
Trudno jest odtworzyć ludzką intuicję w maszynie, przede wszystkim dlatego, że ludzie często uczą się i wykonują decyzje nieświadomie.
Podobnie jak dzieci, maszyny wymagają dłuższego okresu szkolenia podczas opracowywania szerokich algorytmów ukierunkowanych na dyktowanie przyszłych zachowań. Techniki szkoleniowe obejmują uczenie się na pamięć, dostosowanie parametrów, makrooperatory, dzielenie, uczenie się oparte na wyjaśnieniach, grupowanie, korekcję błędów, rejestrowanie przypadków, zarządzanie wieloma modelami, propagację wsteczną, uczenie się wzmacniające i algorytmy genetyczne.