Strojové učení je oblast počítačové vědy, která znamená „strojové učení“.
Je součástí konceptu umělé inteligence, který studuje způsoby, jak mohou stroje plnit úkoly, které by prováděli lidé.
Jedná se o programování používané v počítačích, tvořené předdefinovanými pravidly, která počítačům umožňují rozhodovat na základě předchozích dat a dat použitých uživatelem.
Podle provedených programů má počítač schopnost přijímat rozhodnutí, která mohou vyřešit problémy nebo například podpořit publikace na internetu.
Jak funguje strojové učení?
Základem činnosti jsou algoritmy, což jsou definované sekvence složené z informací a pokynů, kterými se bude počítač řídit.
Tyto sekvence umožňují počítačům rozhodovat se podle situace a informací, které do ní byly vloženy.
Jedná se o algoritmus, který nese informace o tom, jak by měly být prováděny určité postupy a operace nebo o tom, jak by měla být provedena akce.
Existuje několik typů aplikačních a programovacích jazyků pro používání algoritmů. Liší se podle potřeby, která bude splněna, nebo účelu vytvořeného algoritmu.
Druhy strojového učení
Existují dva hlavní typy strojového učení: učení pod dohledem a učení bez dozoru.
učení pod dohledem
V supervizovaném učení je do stroje zadána předchozí sada dat a návrhy, které budou uživateli poskytnuty, musí být podobné registrovaným datům.
V zásadě se informace používají k předpovědi očekávaného výsledku uživatelem nebo ke klasifikaci použitých prvků.
Příklad: fotografie je umístěna do internetového prohlížeče, který vyhledává informace o původu obrázku nebo jiných podobných obrázcích.
neřízené učení
U učení bez dohledu neexistuje žádný konkrétní očekávaný výsledek, to znamená, že není možné předvídat výsledky křížení informací.
V tomto typu učení jsou data seskupena a výsledky se mění podle proměnných.
Příklad: ve vyhledávači knihovny je možné získat různé výsledky. Změna výsledků závisí na typu provedeného vyhledávání a použitých proměnných, jako je název knihy, jméno autora nebo datum vydání.
Viz také význam Umělá inteligence.
K čemu je strojové učení?
Strojové učení lze použít pro mnoho funkcí. Jedním z nejpoužívanějších v dnešní době je sociální média, vyhledávání na internetu a digitální marketing.
Například algoritmy strojového učení se používají k vytváření návrhů uživateli internetu. Používají se na webových stránkách elektronického obchodování, sociálních sítích, hrách, platformách pro ukládání videa a aplikacích pro přehrávání hudby.
V takovém případě algoritmus používá vaše sekvenční data a data historie procházení internetu k vytváření nových návrhů pro uživatele. Uživatelské předvolby během procházení a sdílení dat se používají k navrhování podobných programů nebo služeb.
Jedná se o běžnější použití, ale znalosti strojového učení lze použít i v mnoha dalších situacích, například:
- vyhledávání na internetu,
- sběr a analýza dat,
- sledování spamových zpráv,
- organizace a klasifikace informací,
- hledat podvody na internetu.
Rozdíl mezi strojové učení a hluboké učení
Strojové učení i hluboké učení jsou způsoby využití umělé inteligence. Existuje však mezi nimi rozdíl, protože hluboké učení (což znamená hluboké učení) má vlastnosti, které se více podobají schopnosti lidského učení.
Hluboké učení také používá predikci výsledků ze zavedených dat. Rozdíl je v tom, že se to děje přesněji, spíše jako to, co se děje v mozku člověka, protože počítač dokáže pružněji přizpůsobovat informace.
To se děje proto, že při hlubokém učení je vytvořena umělá neurální síť, která funguje podobně jako síť neuronů v lidském mozku.
Je to tato síť, díky níž má fungování stroje mnoho podobností s fungováním mozku a je schopno se učit a interpretovat informace.
Viz také významy software a Bitcoin.
