Μηχανική μάθηση: Διαφορά μεταξύ των αναθεωρήσεων
μ removed invalid reference |
μ →Ορισμός: διόρθωση της ελληνικής απόδοσης του ορισμού |
||
| Γραμμή 4: | Γραμμή 4: | ||
Το 1959, ο πρωτοπόρος σχεδιαστής παιχνιδιών Άρθρουρ Σάμουελ (Arthur Samuel) όρισε ως μηχανική μάθηση "Το πεδίο μελέτης όπου δίνει στους υπολογιστές την δυνατότητα να μαθαίνουν χωρίς να έχουν προγραμματιστεί". <ref name="arthur_samuel_machine_learning_def"> {{cite book | title=Too Big to Ignore: The Business Case for Big Data | publisher=Wiley | author=Phil Simon | year=March 18, 2013 | pages=89 | isbn=978-1118638170 | url=http://books.google.gr/books?id=Dn-Gdoh66sgC&pg=PA89#v=onepage&q&f=false}} </ref> |
Το 1959, ο πρωτοπόρος σχεδιαστής παιχνιδιών Άρθρουρ Σάμουελ (Arthur Samuel) όρισε ως μηχανική μάθηση "Το πεδίο μελέτης όπου δίνει στους υπολογιστές την δυνατότητα να μαθαίνουν χωρίς να έχουν προγραμματιστεί". <ref name="arthur_samuel_machine_learning_def"> {{cite book | title=Too Big to Ignore: The Business Case for Big Data | publisher=Wiley | author=Phil Simon | year=March 18, 2013 | pages=89 | isbn=978-1118638170 | url=http://books.google.gr/books?id=Dn-Gdoh66sgC&pg=PA89#v=onepage&q&f=false}} </ref> |
||
To 1997 o Τομ Μ. Μιτσέλ (Tom M. Mitchell) έδωσε ένα πιο επίσημο ορισμό ο οποίος χρησιμοποιείται ευρέως: "Ένα πρόγραμμα υπολογιστή λέγεται ότι μαθαίνει από |
To 1997 o Τομ Μ. Μιτσέλ (Tom M. Mitchell) έδωσε ένα πιο επίσημο ορισμό ο οποίος χρησιμοποιείται ευρέως: "Ένα πρόγραμμα υπολογιστή λέγεται ότι μαθαίνει από εμπειρία E ως προς μια κλάση εργασιών T και ένα μέτρο επίδοσης P, αν η επίδοσή του σε εργασίες της κλάσης Τ, όπως αποτιμάται από το μέτρο Ρ, βελτιώνεται με την εμπειρία Ε" (Στα Αγγλικά: "A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E."). <ref name="mitchell_machine_learning_def">{{cite book | title=Machine Learning | author=Tom M. Mitchell | year=1997 | pages=2 | isbn=0-07-042807-7}}</ref> <ref>{{cite book | title=Data mining: opportunities and challenges | author=John Wang | year=2003 | publisher=Idea Group Pub | pages=261 | isbn=978-1591400516 | url=http://books.google.gr/books?id=Nyvaaq9pI40C&pg=PA261#v=onepage&q&f=false}}</ref> |
||
==Κατηγορίες== |
==Κατηγορίες== |
||
Έκδοση από την 17:08, 17 Μαρτίου 2016
Η μηχανική μάθηση (machine learning) είναι μια περιοχή της τεχνητής νοημοσύνης η οποία αφορά αλγορίθμους και μεθόδους που επιτρέπουν στους υπολογιστές να «μαθαίνουν». Με τη μηχανική μάθηση καθίσταται εφικτή η κατασκευή προσαρμόσιμων (adaptable) προγραμμάτων υπολογιστών τα οποία λειτουργούν με βάση την αυτοματοποιημένη ανάλυση συνόλων δεδομένων και όχι τη διαίσθηση των μηχανικών που τα προγραμμάτισαν. Η μηχανική μάθηση εφαρμόζεται σε μια σειρά από μηχανογραφικών εργασιών όπου η χρήση αλγορίθμων, τόσο κατά το σχεδιασμό όσο και κατά τον προγραμματισμό τους είναι απαραίτητη. Παραδείγματα εφαρμογών αποτελούν το spam filtering[1], η οπτική αναγνώριση χαρακτήρων[2] (OCR), οι μηχανές αναζήτησης[3] και η υπολογιστική όραση[4]. Η μηχανική μάθηση επικαλύπτεται σημαντικά με τη στατιστική, αφού και τα δύο πεδία μελετούν την ανάλυση δεδομένων,όπως επίσης και με τη εξόρυξη δεδομένων[5] (data mining), ωστόσο η δεύτερη εστιάζει περισσότερο στη διερευνητική ανάλυση δεδομένων. Η Μηχανική Μάθηση και η αναγνώριση προτύπων ,μπορούν να θεωρηθούν ως "οι δυο όψεις του ίδιου τομέα".[6]
Ορισμός
Το 1959, ο πρωτοπόρος σχεδιαστής παιχνιδιών Άρθρουρ Σάμουελ (Arthur Samuel) όρισε ως μηχανική μάθηση "Το πεδίο μελέτης όπου δίνει στους υπολογιστές την δυνατότητα να μαθαίνουν χωρίς να έχουν προγραμματιστεί". [7]
To 1997 o Τομ Μ. Μιτσέλ (Tom M. Mitchell) έδωσε ένα πιο επίσημο ορισμό ο οποίος χρησιμοποιείται ευρέως: "Ένα πρόγραμμα υπολογιστή λέγεται ότι μαθαίνει από εμπειρία E ως προς μια κλάση εργασιών T και ένα μέτρο επίδοσης P, αν η επίδοσή του σε εργασίες της κλάσης Τ, όπως αποτιμάται από το μέτρο Ρ, βελτιώνεται με την εμπειρία Ε" (Στα Αγγλικά: "A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E."). [8] [9]
Κατηγορίες
Οι αλγόριθμοι μηχανικής μάθησης κατηγοριοποιούνται ανάλογα με το επιθυμητό αποτέλεσμα του αλγορίθμου. Οι συνηθέστερες κατηγορίες είναι οι εξής:
- Επιτηρούμενη μάθηση, επιβλεπόμενη μάθηση ή μάθηση με επίβλεψη (supervised learning), όπου ο αλγόριθμος κατασκευάζει μια συνάρτηση που απεικονίζει δεδομένες εισόδους σε γνωστές, επιθυμητές εξόδους (σύνολο εκπαίδευσης), με απώτερο στόχο τη γενίκευση της συνάρτησης αυτής και για εισόδους με άγνωστη έξοδο (σύνολο ελέγχου).
- Μη επιτηρούμενη μάθηση, ανεπίβλεπτη μάθηση ή μάθηση χωρίς επίβλεψη (unsupervised learning), όπου ο αλγόριθμος κατασκευάζει ένα μοντέλο για κάποιο σύνολο εισόδων χωρίς να γνωρίζει επιθυμητές εξόδους για το σύνολο εκπαίδευσης.
- Ενισχυτική μάθηση (reinforcement learning), όπου ο αλγόριθμος μαθαίνει μια στρατηγική ενεργειών για μια δεδομένη παρατήρηση.
Η ανάλυση των αλγόριθμων μηχανικής μάθησης είναι ένας κλάδος της στατιστικής που ονομάζεται θεωρία μάθησης.
Παραπομπές
- ↑ «Email filtering».
- ↑ «Οπτική Αναγνώριση Χαρακτήρων».
- ↑ «Μηχανή Αναζήτησης».
- ↑ «Μηχανική όραση».
- ↑ «Εξόρυξη δεδομένων».
- ↑ «C. M. Bishop (2006). Pattern Recognition and Machine Learning. Springer. ISBN 0-387-31073-8.» (PDF).
- ↑ Phil Simon (18 Μαρτίου 2013). Too Big to Ignore: The Business Case for Big Data. Wiley. σελ. 89. ISBN 978-1118638170.
- ↑ Tom M. Mitchell (1997). Machine Learning. σελ. 2. ISBN 0-07-042807-7.
- ↑ John Wang (2003). Data mining: opportunities and challenges. Idea Group Pub. σελ. 261. ISBN 978-1591400516.
Βιβλιογραφία
- Bishop, C. M. (1995). Neural Networks for Pattern Recognition, Oxford University Press. ISBN 0-19-853864-2
- MacKay, D. J. C. (2003). Information Theory, Inference, and Learning Algorithms, Cambridge University Press. ISBN 0-521-64298-1
- Mitchell, T. (1997). Machine Learning, McGraw Hill. ISBN 0-07-042807-7