Strojové učení

Analýza A Revize Aplikací Pro Android: Strojové učení, Vyvinuté Společností Helpful Books. Uvedeno V Kategorii Knihy A Referenční Materiály. Aktuální Verze Je 61.0, Aktualizována Na 29/08/2023 . Podle Recenzí Uživatelů Na Google Play: Strojové učení. Dosaženo Více Než 12 Tisíc Instalací. Strojové učení Má V Současné Době Recenze 125, Průměrné Hodnocení 4.8 Hvězd

Strojové učení je oblast počítačové vědy, která dává počítačovým systémům schopnost „učit se“ (tj. Postupně zlepšovat výkon u konkrétního úkolu) s daty, aniž by byly výslovně programovány.

Název Machine learning vytvořil v roce 1959 Arthur Samuel. Strojové učení, které se vyvinulo ze studia rozpoznávání vzorů a výpočetní teorie učení v umělé inteligenci, zkoumá studium a konstrukci algoritmů, které se mohou učit a předpovídat data - takové algoritmy překonávají přísně statické pokyny programu tím, že provádějí předpovědi nebo rozhodnutí založená na datech , 2 prostřednictvím sestavení modelu z ukázkových vstupů. Strojové učení se používá v řadě výpočetních úloh, kde je navrhování a programování explicitních algoritmů s dobrým výkonem obtížné nebo neproveditelné; Mezi příklady aplikací patří filtrování e-mailů, detekce narušitelů sítě nebo škodlivých zasvěcených osob pracujících na narušení dat, optické rozpoznávání znaků (OCR), učení se hodnocení a počítačové vidění.

Strojové učení úzce souvisí s (a často se překrývá) s výpočetní statistikou, která se také zaměřuje na tvorbu predikcí pomocí počítačů. Má silné vazby na matematickou optimalizaci, která do oboru přináší metody, teorie a aplikační domény. Strojové učení je někdy spojeno s dolováním dat, kde se druhé podpole více zaměřuje na analýzu průzkumných dat a je známé jako učení bez dozoru. vii Strojové učení může být také bez dozoru a může být použito k učení a vytvoření základních profilů chování pro různé entity a poté použito k vyhledání smysluplných anomálií.

V oblasti datové analýzy je strojové učení metoda používaná k vytváření složitých modelů a algoritmů, které jsou vhodné pro predikci; v komerčním použití se to nazývá prediktivní analytika. Tyto analytické modely umožňují vědcům, datovým vědcům, technikům a analytikům „vytvářet spolehlivá a opakovatelná rozhodnutí a výsledky“ a odkrývat „skryté vhledy“ poučením z historických vztahů a trendů v datech.

Efektivní strojové učení je obtížné, protože hledání vzorů je těžké a výsledkem je, že kvůli tomu není k dispozici dostatek tréninkových dat, programy strojového učení často selžou.

Read more