ML

Uczenie maszynowe jest gałęzią sztucznej inteligencji. Według Petera Flacha, holenderskiego profesora sztucznej inteligencji, to nauka o algorytmach i systemach ulepszających swoją wiedzę i wyniki wraz ze zdobywanym doświadczeniem. Z kolei Artur Samuel z IBM, popularyzator terminu zajmujący się m.in. programami do szkolenia szachistów, uważał machine learning za dziedzinę, która zajmuje się sprawianiem, żeby komputery mogły uczyć się bez zaprogramowania wprost. Najnowsze i najbardziej popularne określenie wprowadził Tom Mitchell – według niego ML polega na tym, że program komputerowy uczy się na podstawie doświadczenia (E – experience) w odniesieniu do pewnej klasy zadań (T – tasks) i miary efektywności (P – performance), jeśli jego efektywność wykonania zadania T (mierzona za pomocą P) poprawia się wraz ze wzrostem doświadczenia (E). To pokazuje, że algorytmy uczenia maszynowego uczą się jak ludzie – np. mając wiele przykładów danego obiektu, podobnie jak my, ale przy użyciu obliczeń, mogą być zdolne do rozpoznania tego obiektu w innych, wcześniej nieznanych, okolicznościach. Algorytmy uczące się tworzą model z listą instrukcji do wykonania na podstawie analizy danych uczących. Pojedynczym obiektem w zbiorze informacji jest próbka lub instancja (zwykle z atrybutami, czyli cechami używanymi do opisania go).

Wśród rodzajów procesów uczenia się przez komputery można wyszczególnić: uczenie nadzorowane, częściowo nadzorowane, bez nadzoru, na bieżąco i ze wzmocnieniem. W uczeniu nadzorowanym maszyny uczą się na podstawie danych wejściowych, a także żądanych wartości wyjściowych. Tak wytrenowane programy wypracowują funkcję, którą wykorzystają w nowych przykładach obejmujących wyłącznie dane wejściowe. Uczenie bez nadzoru również wymaga szukania wzorców i relacji, ale bez informacji o zakładanym rezultacie. W procesie częściowym algorytmy dostają oba rodzaje danych i dla niektórych z nich muszą samodzielnie wskazać odpowiedzi. Na bieżąco (on-line machine learning) programy szkolą się z użyciem strumienia danych, których sekwencja ulega ciągłej zmianie, a modele ewoluują wraz z nowymi zestawami informacji. Po tego typu ML sięga się tam, gdzie analizowanie całego zbioru jest niemożliwe z powodu ograniczeń mocy obliczeniowej bądź w sytuacjach gdzie trzeba szybko dostosować algorytm do nowych wzorców – np. przy przewidywaniu cen akcji na giełdzie. W typie wzmocnionym maszyna uzyskuje nie tylko dane uczące, ale także reguły i działania. Ilustracją może być koordynowanie pracy robotów, która wymaga dostosowania do ilości dostępnego surowca bądź rodzaju produktu, którym się zajmują.