Uczenie Maszynowe

Uczenie maszynowe (ang. machine learning) to zdolność maszyny (systemu) do rozszerzania wiedzy i udoskonalania swoich zachowań na podstawie zdobywanych doświadczeń. Podstawą maszynowego uczenia jest indukcja, czyli wyprowadzanie wniosków i uogólnień z przykładów

Metody uczenia maszynowego niewiele różnią się od tych stosowanych w eksploracji danych (data mining) – główną różnicą jest przeznaczenie, odbiorca wyników końcowych. Eksploracja danych dąży do odkrycia w zbiorze danych prawidłowości, reguł, czy też relacji pomiędzy czynnikami – celem jej jest odkrywanie wiedzy, a odbiorcą procesu jest człowiek. Uczenie maszynowe ma na celu natomiast odkrywanie wzorców, ale takich, które pozwolą na podejmowanie automatycznych decyzji przez komputer. W zbiór metod machine learning wchodzą te najbardziej popularne narzędzia klasyfikacji, takie jak klasyfikatory minimalnoodległościowe (kNN, k-najbliższych sąsiadów), indukcja drzew decyzyjnych, sztuczne sieci neuronowe (ANN – Artificial Neural Networks), jak i te nowoczesne, jak maszyna wektorów nośnych (SVM – Support Vector Machine).

Źródła:

⠀ MEISSNER, Adam. Elementy uczenia maszynowego. Retrieved from http://users.man.poznan.pl/ameis/SiW-MaszynUcz.pdf

⠀ REGULSKI, Krzysztof. Metody uczenia maszynowego wspierane semantycznie. 2017. Retrieved from https://www.researchgate.net/profile/Krzysztof_Regulski/publication/323915512_Metody_uczenia_maszynowego_wspierane_semantycznie_-_Machine_learning_methods_support