V počítačové vědě označuje strojové učení typ analýzy dat, který využívá algoritmy, které se učí z dat. Jedná se o typ umělé inteligence (AI), která poskytuje systémům schopnost učit se bez výslovného programování. To umožňuje počítačům najít data v datech bez lidského zásahu.
Co je důležité vědět o strojovém učení, je to, že data se používají k vytváření předpovědí, nikoli kódu. Data jsou dynamická, takže strojové učení umožňuje systému učit se a vyvíjet se zkušenostmi a tím více dat, která se analyzují.
Počátky frázového strojového učení
Strojové učení poprvé definoval v roce 1959 Arthur Samuel, průkopník v oblasti umělé inteligence a strojového učení. Samuel definoval strojové učení jako „studijní obor, který dává počítačům schopnost učit se bez výslovného programování“.
Supervised Versus Unsupervised Machine Learning
Typicky je strojové učení kategorizováno jako strojové učení pod dohledem nebo bez dozoru:
Kontrolované strojové učení: K dosažení závěru, kdy jsou daná data k dispozici, se používá předem definovaná sada příkladů.
Strojové učení bez dozoru: Systém najde v datech vzory a vztahy bez příkladů, z nichž lze vyvodit závěry.
Příklady strojového učení
Dnes mohou algoritmy strojového učení velmi rychle aplikovat složité výpočty na velká data. Jedním z nejznámějších příkladů dnešního strojového učení je auto s vlastním řízením od Googlu. Toto auto bez řidiče spoléhá při zpracování všech údajů ze senzorů na strojové učení a dolování dat.
Strojové učení se také používá ve webových vyhledávačích, doporučovacích systémech, umístění online reklam, e-mailových spamových filtrech a mnoha dalších aplikacích.
Machine lvýdělky lze zkrátit na ML.