Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery wyprowadzają wzorce z danych, zamiast mieć jawnie zaprogramowaną każdą regułę. W zależności od zadania modele uczą się na oznaczonych przykładach (nadzorowane), na danych nieoznaczonych (nienadzorowane) lub przez nagrody (ze wzmocnieniem). Zastosowania sięgają od filtrów spamu i prognoz popytu po rekomendacje produktów. Jakość silnie zależy od ilości i jakości danych treningowych.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoUczenie głębokie (deep learning) to gałąź uczenia maszynowego, która wykorzystuje sztuczne sieci neuronowe o wielu warstwach. Takie sieci uczą się z dużych ilości danych, które cechy mają znaczenie – od krawędzi na obrazach po relacje znaczeniowe w tekstach. Uczenie głębokie leży u podstaw dzisiejszych modeli językowych, rozpoznawania obrazów i mowy oraz tłumaczenia maszynowego i zazwyczaj wymaga znacznej mocy obliczeniowej oraz dużej ilości danych treningowych.
W uczeniu nadzorowanym model uczy się na przykładach, dla których poprawna odpowiedź jest już znana, na przykład na e-mailach oznaczonych jako „spam” lub „nie spam”. Na tej podstawie wyprowadza reguły do klasyfikowania nowych, nieznanych przypadków lub przewidywania wartości. Typowe zadania to klasyfikacja i regresja; większość wysiłku pochłania przygotowanie starannie oznaczonych danych.
W uczeniu nienadzorowanym model otrzymuje dane bez z góry zdefiniowanych poprawnych odpowiedzi i samodzielnie szuka struktur. Typowe metody to klasteryzacja, która grupuje podobne rekordy, oraz redukcja wymiarowości, która zagęszcza wiele cech do kilku zasadniczych. Organizacje stosują je do odkrywania segmentów klientów lub wykrywania nietypowych transakcji; znalezione grupy muszą następnie zinterpretować eksperci dziedzinowi.
Uczenie ze wzmocnieniem to dziedzina uczenia maszynowego, w której agent uczy się metodą prób i błędów. Działa w pewnym środowisku, otrzymuje nagrody za dobre wyniki i kary za złe, a w ten sposób wypracowuje strategię maksymalizującą łączną nagrodę. Znane przykłady to programy opanowujące gry planszowe, takie jak go, sterowanie robotami oraz dostrajanie modeli językowych na podstawie ocen ludzi.
