Strojové učení
Z Wikipedie, otevřené encyklopedie
Strojové učení je podoblastí umělé inteligence, zabývající se algoritmy a technikami, které umožňují počítačovému systému 'učit se'. Učením v daném kontextu rozumíme takovou změnu vnitřního stavu systému, která zefektivní schopnost přizpůsobení se změnám okolního prostředí.
Strojové učení se značně prolíná s oblastmi statistiky a dobývaní znalostí a má široké uplatnění. Jeho techniky se využívají např. v biomedicínské informatice (tzv. systémy pro podporu rozhodování), rozlišení nelegálního užití kreditních karet, rozpoznávání řeči a psaného textu, či mnohé další.
[editovat] Základní rozdělení algoritmů učení
Algoritmy strojového učení lze podle způsobu učení rozdělit do následujících kategorii:
- učení s učitelem (en:supervised learning)
- učení bez učitele (en:unsupervised learning)
- kombinace učení s učitelem a bez učitele (en:semi-supervised learning)
- zpětnovazebné učení (en:reinforcement learning), též učení posilováním
[editovat] Podoblasti strojového učení
- Používané modely:
- Rozhodovací stromy (en:Decision tree)
- Algoritmus k-nejbližších sousedů (en:k-nearest neighbor algorithm)
- Podpůrné vektory (en:Support vector machines), viz Support vector machines
- Lineární diskriminační analýza (en:Linear discriminant analysis)
- Kvadratická diskriminační analýza (en:Quadratic discriminant analysis)
- Množina rozhodovacích pravidel
- Perceptron (en:Perceptron)
- Bayesovské sítě (en:Bayesian network)
- Neuronové sítě (en:Artificial neural network)
- Techniky pro kombinaci více modelů (en:Meta learning (computer science))
- Bootstrap aggregating (resp. zkratka Bagging) (en:Bootstrap aggregating)
- Boosting (en:Boosting)
- Stacking
- Testování přesnosti modelu:
