Makine öğrenme

Makine öğrenimi, bilgisayar sistemlerine, açık bir şekilde programlanmadan verilerle "öğrenme" (yani belirli bir görevdeki performansı aşamalı olarak geliştirme) yeteneği veren bir bilgisayar bilimi alanıdır.

Makine öğrenimi adı 1959'da Arthur Samuel tarafından icat edildi. Yapay zekada örüntü tanıma ve hesaplamalı öğrenme teorisi çalışmasından geliştirilen makine öğrenimi, verilerden öğrenebilen ve veriler üzerinde tahminler yapabilen algoritmaların incelenmesini ve oluşturulmasını araştırır - bu tür algoritmalar, veriye dayalı tahminler veya kararlar yaparak kesinlikle statik program talimatlarının üstesinden gelir. 2 örnek girdilerden bir model oluşturarak. Makine öğrenimi, iyi performansa sahip açık algoritmalar tasarlamanın ve programlamanın zor veya olanaksız olduğu bir dizi bilgi işlem görevinde kullanılır; Örnek uygulamalar arasında e-posta filtreleme, bir veri ihlali için çalışan ağ saldırganlarının veya içerideki kötü niyetli kişilerin tespiti, optik karakter tanıma (OCR), sıralamayı öğrenme ve bilgisayar görüşü yer alır.

Makine öğrenimi, bilgisayar kullanımı yoluyla tahmin yapmaya da odaklanan hesaplama istatistikleriyle yakından ilgilidir (ve genellikle bunlarla örtüşür). Alana yöntemler, teori ve uygulama alanları sağlayan matematiksel optimizasyona güçlü bağları vardır. Makine öğrenimi bazen veri madenciliği ile birleştirilir; burada ikinci alt alan daha çok keşifsel veri analizine odaklanır ve denetimsiz öğrenme olarak bilinir. vii Makine öğrenimi de denetimsiz olabilir ve çeşitli varlıklar için temel davranış profillerini öğrenmek ve oluşturmak için kullanılabilir ve daha sonra anlamlı anormallikleri bulmak için kullanılabilir.

Veri analitiği alanında, makine öğrenimi, kendilerini tahmine uygun hale getiren karmaşık modeller ve algoritmalar tasarlamak için kullanılan bir yöntemdir; ticari kullanımda bu, tahmine dayalı analitik olarak bilinir. Bu analitik modeller, araştırmacıların, veri bilimcilerin, mühendislerin ve analistlerin verilerdeki geçmiş ilişkilerden ve trendlerden öğrenerek "güvenilir, tekrarlanabilir kararlar ve sonuçlar üretmesine" ve "gizli içgörüleri" ortaya çıkarmasına olanak tanır.

Etkili makine öğrenimi zordur, çünkü kalıpları bulmak zordur ve sonuç olarak çoğu zaman yeterli eğitim verisi mevcut değildir, makine öğrenimi programları çoğu zaman sağlamada başarısız olur.