Máy học

Tham khảo sách học máy

Học máy là một lĩnh vực khoa học máy tính cung cấp cho các hệ thống máy tính khả năng "học" (tức là cải thiện dần hiệu suất của một tác vụ cụ thể) với dữ liệu mà không cần được lập trình rõ ràng.

Cái tên Máy học được đặt ra vào năm 1959 bởi Arthur Samuel. Được phát triển từ việc nghiên cứu lý thuyết học tập tính toán và nhận dạng mẫu trong trí tuệ nhân tạo, học máy khám phá việc nghiên cứu và xây dựng các thuật toán có thể học hỏi và đưa ra dự đoán về dữ liệu - các thuật toán như vậy khắc phục được việc tuân theo các hướng dẫn chương trình tĩnh nghiêm ngặt bằng cách đưa ra các dự đoán hoặc quyết định theo hướng dữ liệu , 2 thông qua việc xây dựng mô hình từ các đầu vào mẫu. Máy học được sử dụng trong một loạt các nhiệm vụ tính toán mà việc thiết kế và lập trình các thuật toán rõ ràng với hiệu suất tốt là khó hoặc không khả thi; các ứng dụng ví dụ bao gồm lọc email, phát hiện những kẻ xâm nhập mạng hoặc nội gián độc hại đang làm việc nhằm phá vỡ dữ liệu, nhận dạng ký tự quang học (OCR), học cách xếp hạng và thị giác máy tính.

Học máy có liên quan mật thiết đến (và thường trùng lặp với) thống kê tính toán, cũng tập trung vào việc đưa ra dự đoán thông qua việc sử dụng máy tính. Nó có mối quan hệ chặt chẽ với tối ưu hóa toán học, cung cấp các phương pháp, lý thuyết và lĩnh vực ứng dụng cho lĩnh vực này. Học máy đôi khi được kết hợp với khai thác dữ liệu, trong đó trường con thứ hai tập trung nhiều hơn vào phân tích dữ liệu khám phá và được gọi là học không giám sát. vii Máy học cũng có thể không được giám sát và được sử dụng để tìm hiểu và thiết lập các cấu hình hành vi cơ bản cho các thực thể khác nhau và sau đó được sử dụng để tìm các điểm bất thường có ý nghĩa.

Trong lĩnh vực phân tích dữ liệu, học máy là một phương pháp được sử dụng để tạo ra các mô hình và thuật toán phức tạp cho phép dự đoán; trong sử dụng thương mại, đây được gọi là phân tích dự đoán. Các mô hình phân tích này cho phép các nhà nghiên cứu, nhà khoa học dữ liệu, kỹ sư và nhà phân tích "đưa ra các quyết định và kết quả đáng tin cậy, có thể lặp lại" và khám phá "thông tin chi tiết tiềm ẩn" thông qua việc học hỏi từ các mối quan hệ lịch sử và xu hướng trong dữ liệu.

Việc học máy hiệu quả là rất khó vì việc tìm kiếm các mẫu rất khó và thường không có đủ dữ liệu đào tạo, do đó, các chương trình học máy thường không phân phối được.