A gépi tanulás algoritmusokat képez ki, hogy mintákat találjanak az adatokban és előrejelzéseket tegyenek. Explicit szabályok programozása helyett példákat adunk az algoritmusnak. Megtanulja a bemenetek és kimenetek közötti kapcsolatot. Ezután ezt a tanulást alkalmazza új adatokra. Egy spamszűrő több millió címkézett e-mailből tanul. Egy ajánlómotor a felhasználói viselkedésből tanul. Egy csalásmodell a korábbi tranzakciókból tanul. Az algoritmus egy bizonyos pontig javul, ahogy egyre több adatot lát.

A fő típusok a felügyelt, a felügyelet nélküli és a megerősítéses tanulás. A felügyelt tanulás címkézett adatokat használ. Az algoritmus megtanulja a bemeneteket ismert kimenetekhez rendelni. Az osztályozás kategóriákat jósol. A regresszió számokat jósol. A felügyelet nélküli tanulás struktúrát talál a címkézetlen adatokban. A klaszterezés hasonló rekordokat csoportosít. A dimenziócsökkentés leegyszerűsíti az összetett adatokat. A megerősítéses tanulás próbálgatással és hibával képezi az ágenst, jutalmazva a jó cselekedeteket és büntetve a rosszakat. Játékrendszereket és robotikát működtet. Minden típus más problémákra illik. A tanulóadatok minősége határozza meg a modell minőségét. Az elfogult adatok elfogult predikciókat eredményeznek. A hiányos adatok megbízhatatlan predikciókat eredményeznek. A túlillesztett modell állandó kockázat. Egy olyan modell, amely megjegyzi a tanulóadatokat, rosszul teljesít új adatokon. A regularizáció, a keresztvalidáció és további adatok segítenek. A gépi tanulás hatékony és törékeny. Mintákat talál, beleértve azokat is, amelyeknek nem kellene létezniük.

Gépi tanulási típusok

• Felügyelt – címkézett adatok, osztályozás és regresszió
• Felügyelet nélküli – címkézetlen adatok, klaszterezés és dimenziócsökkentés
• Megerősítés – próbálkozás és hiba jutalmazással
• Mély tanulás – sokrétegű neurális hálózatok

A gépi tanulás nagy léptékű mintafelismerést jelent. A minta csak annyira jó, mint az azt létrehozó adat.