Machine learning – co to jest?
Machine learning, czyli w języku polskim uczenie maszynowe – to podzbiór AL (sztucznej inteligencji). Skupia się ona na uczeniu komputerów nauki na podstawie danych i doskonaleniu dzięki doświadczeniu. W maszynowym uczeniu roboty szkolone są w celu znajdowania wzorców w dużych zbiorach danych i podejmowania najtrafniejszych decyzji i prognoz wynikających z ich analizy.
Sztuczna inteligencja a uczenie maszynowe – różnice
Podstawową różnicą pomiędzy sztuczną inteligencją a uczeniem maszynowym jest to, że sztuczna inteligencja jest mózgiem systemu komputerowego, zaś uczenie maszynowe jest jej podzbiorem i nie może bez niej istnieć. AL wykorzystuje i przetwarza wszelkie dane w celu podjęcia decyzji i przewidywania. Algorytmy machine learning w ramach sztucznej inteligencji umożliwiają systemowi przetwarzanie tych danych i wykorzystywanie ich do realizacji jakichś zadań, uczenia się, prognozowania czy też zdobywania inteligentniejszych rozwiązań bez zbędnego dodatkowego programowania.
Sieć neuronowa – co to jest?
ANN – sztuczna sieć neuronowa wzorowana jest na neuronach w mózgu biologicznym. Przy czym sztuczne neurony są tutaj nazywane węzłami i zgrupowane są wszystkie razem w wielu warstwach, które działają równolegle. Przykładowo, gdy sztuczny neuron otrzyma jakiś sygnał numeryczny, to przetwarza go i sygnalizuje powiązane z nim pozostałe neurony. Wzmocnienie neuronów sprawia, że lepiej rozpoznają one wzorce i szybciej przyswajają wiedzę.
Głębokie uczenie się – co to jest?
Głębokie uczenie jest rodzajem uczenia maszynowego, które zawiera wiele warstw neuronowej sieci oraz duże ilości rozproszonych i złożonych danych. W celu osiągnięcia głębokiego uczenie się, system musi współpracować z wieloma warstwami sieci, wybierając przy tym coraz więcej wyników na wysokim poziomie. Przykładem zastosowania uczenia głębokiego jest rozpoznawanie mowy, analiza farmaceutyczna czy też klasyfikacja obrazu.
Jakie wyróżnia się modele uczenia maszynowego?
Wyróżnia się cztery modele uczenia maszynowego, a mianowicie:
- uczenie nadzorowane – ten model uczenia składają się z par danych wyjściowych i wejściowych, przy czym te pierwsze oznaczone są żądaną wartością;
- uczenie nienadzorowane – nie ma on klucza odpowiedzi, analizowane są dane wejściowe;
- uczenie częściowo nadzorowane – polega na wprowadzaniu małych ilości danych i rozszerzaniu zbiorów danych;
- uczenie wzmacniające – maszyna otrzymuje klucz i odpowiedzi i uczy się poprzez poszukiwanie korelacji między prawidłowymi wynikami.
Machine Learning jest rodzajem sztucznej inteligencji, która daje możliwość zdobywania informacji i analizowania wyników z dużej ilości danych.
