Uczenie maszynowe jest rodzajem sztucznej inteligencji (AI), która zapewnia systemom możliwość automatycznego uczenia się i doskonalenia na podstawie doświadczenia bez konieczności manualnego programowania. Uczenie maszynowe koncentruje się na rozwoju programów komputerowych, które mogą uzyskać dostęp do danych i wykorzystać je do samodzielnego uczenia się.
Proces uczenia się rozpoczyna się od danych, takich jak przykłady, bezpośrednie doświadczenia lub instrukcje. Następnie wyszukiwane są prawidłowości w danych. Celem jest podejmowanie lepszych decyzji w przyszłości na podstawie podanych przez nas przykładów. Podstawowym celem jest umożliwienie komputerom automatycznego uczenia się bez ludzkiej interwencji lub pomocy.
Metody uczenia maszynowego:
Algorytmy nadzorowane (supervised machine learning algorithms) mogą wykorzystywać to, czego nauczyliśmy się w przeszłości. Wykorzystują oznaczone przykłady do przewidywania przyszłych zdarzeń. Wychodząc od analizy znanego zbioru danych szkoleniowych, algorytm uczenia tworzy funkcję do przewidywania wartości wyjściowych. System jest w stanie podać wartości docelowe dla każdego nowego zestawu danych. Algorytm uczenia może również porównać swoje dane wyjściowe z prawidłowymi, zamierzonymi danymi wyjściowymi i znaleźć błędy w celu odpowiedniej modyfikacji modelu.
Algorytmy nienadzorowane (unsupervised machine learning algorithms) są stosowane, gdy informacje wykorzystywane do uczenia nie są ani klasyfikowane, ani oznaczane. System nie znajduje odpowiedniego wyjścia, ale bada dane i może wyciągnąć wnioski ze zbiorów danych w celu opisania ukrytych struktur z nieoznakowanych danych.
Algorytmy częściowo nadzorowane (semi-supervised machine learning algorithms) znajdują się gdzieś pomiędzy uczeniem nadzorowanym a nienadzorowanym, ponieważ wykorzystują one zarówno dane oznaczone, jak i nieoznaczone do uczenia. Systemy, które stosują tę metodę, są w stanie znacznie poprawić dokładność uczenia się.
Uczenie się przez wzmacnianie (reinforcement machine learning algorithms) to metoda uczenia się, która wchodzi w interakcję ze swoim środowiskiem poprzez wykonywanie czynności i otrzymywanie sygnału wzmocnienia. Sygnał wzmocnienia jest jedyną informacją, na której agent się opiera. Wzmocnienie osiąga wysoką wartość (nagrodę), gdy agent podejmuje decyzje prowadzące do poprawnego rozwiązania lub niską (karę) gdy podejmuje błędne decyzje. Metoda ta pozwala na automatyczne określenie idealnego zachowania w określonym kontekście w celu maksymalizacji jego wydajności.
Uczenie maszynowe umożliwia analizę ogromnych ilości danych. Choć na ogół dostarcza szybszych i dokładniejszych wyników w celu zidentyfikowania opłacalnych możliwości lub niebezpiecznych zagrożeń, może również wymagać dodatkowego czasu i środków na ich właściwe nauczenie. Połączenie uczenia maszynowego ze sztuczną inteligencją i technologiami kognitywnymi może uczynić je jeszcze bardziej efektywnym w przetwarzaniu dużych ilości informacji.