Obsah
- Definice - Co znamená strojové učení?
- Úvod do Microsoft Azure a Microsoft Cloud | V této příručce se dozvíte, o čem cloud computing je a jak vám může Microsoft Azure pomoci migrovat a řídit podnikání z cloudu.
- Techopedia vysvětluje strojové učení
Definice - Co znamená strojové učení?
Strojové učení je disciplína umělé inteligence (AI) zaměřená na technologický rozvoj lidských znalostí. Strojové učení umožňuje počítačům zvládnout nové situace pomocí analýzy, samoučení, pozorování a zkušeností.
Strojové učení usnadňuje neustálý rozvoj práce na počítači prostřednictvím vystavování novým scénářům, testování a přizpůsobování, přičemž využívá detekce vzorů a trendů pro zlepšená rozhodnutí v následujících (i když ne identických) situacích.
Strojové učení je často zaměňováno s těžbou dat a získáváním znalostí v databázích (KDD), které sdílejí podobnou metodologii.
Úvod do Microsoft Azure a Microsoft Cloud | V této příručce se dozvíte, o čem cloud computing je a jak vám může Microsoft Azure pomoci migrovat a řídit podnikání z cloudu.
Techopedia vysvětluje strojové učení
Tom M. Mitchell, průkopník strojového učení a profesor Carnegie Mellon University (CMU), předpovídal vývoj a synergii lidského a strojového učení. Dnešní zpravodajský kanál je perfektním příkladem. Zdroj zpráv je naprogramován tak, aby zobrazoval obsah přítele uživatele. Pokud uživatel často označí nebo zapíše na zeď konkrétního přítele, zpravodajský kanál změní své chování tak, aby zobrazoval další obsah od tohoto přítele.
Mezi další aplikace strojového učení patří rozpoznávání syntaktických vzorů, zpracování přirozeného jazyka, vyhledávače, počítačové vidění a strojové vnímání.
Je obtížné replikovat lidskou intuici ve stroji, především proto, že se lidé často nevědomě učí a provádějí rozhodnutí.
Stejně jako děti, i stroje vyžadují delší vývojové období, když vyvíjejí široké algoritmy zaměřené na diktování budoucího chování. Tréninkové techniky zahrnují učení rote, úpravy parametrů, makro-operátory, chunking, učení založené na vysvětlení, shlukování, opravy chyb, zaznamenávání případů, správu více modelů, šíření zpět, učení o posílení a genetické algoritmy.