Machine leren

Machine learning-boekreferentie

Machine learning is een gebied van de informatica dat computersystemen de mogelijkheid geeft om met gegevens te "leren" (d.w.z. de prestaties van een specifieke taak geleidelijk te verbeteren), zonder expliciet te worden geprogrammeerd.

De naam Machine learning werd in 1959 bedacht door Arthur Samuel. Ontwikkeld uit de studie van patroonherkenning en computationele leertheorie in kunstmatige intelligentie, onderzoekt machine learning de studie en constructie van algoritmen die kunnen leren van en voorspellingen kunnen doen over gegevens - dergelijke algoritmen kunnen worden overwonnen door strikt statische programma-instructies te volgen door datagestuurde voorspellingen of beslissingen te maken. , 2 door een model te bouwen op basis van steekproefinvoer. Machine learning wordt gebruikt in een reeks computertaken waarbij het ontwerpen en programmeren van expliciete algoritmen met goede prestaties moeilijk of niet haalbaar is; Voorbeelden van toepassingen zijn onder meer e-mailfiltering, detectie van netwerkindringers of kwaadwillende insiders die werken aan een datalek, optische tekenherkenning (OCR), leren rangschikken en computervisie.

Machine learning is nauw verwant aan (en overlapt vaak met) computationele statistieken, die ook gericht zijn op het maken van voorspellingen door het gebruik van computers. Het heeft sterke banden met wiskundige optimalisatie, die methoden, theorie en toepassingsdomeinen aan het veld levert. Machine learning wordt soms gecombineerd met datamining, waarbij het laatste deelgebied zich meer richt op verkennende data-analyse en bekend staat als onbewaakt leren. vii Machine learning kan ook zonder toezicht plaatsvinden en worden gebruikt om basisgedragsprofielen voor verschillende entiteiten te leren en vast te stellen, en vervolgens worden gebruikt om betekenisvolle anomalieën te vinden.

Binnen de data-analyse is machine learning een methode die wordt gebruikt om complexe modellen en algoritmen te bedenken die zich lenen voor voorspelling; bij commercieel gebruik staat dit bekend als voorspellende analyse. Deze analytische modellen stellen onderzoekers, datawetenschappers, ingenieurs en analisten in staat "betrouwbare, herhaalbare beslissingen en resultaten te produceren" en "verborgen inzichten" bloot te leggen door te leren van historische relaties en trends in de data.

Effectief machine learning is moeilijk omdat het vinden van patronen moeilijk is en er daardoor vaak niet genoeg trainingsgegevens beschikbaar zijn, machine learning-programma's leveren vaak geen resultaten op.