Uczenie maszynowe uczy algorytmy wyszukiwania wzorców w danych i tworzenia prognoz. Zamiast programowania jawnych reguł, podajesz algorytmowi przykłady. Uczy się on relacji między danymi wejściowymi a wyjściowymi. Następnie stosuje tę wiedzę do nowych danych. Filtr antyspamowy uczy się na podstawie milionów oznaczonych wiadomości e-mail. Silnik rekomendacji uczy się na podstawie zachowań użytkowników. Model oszustw uczy się na podstawie historycznych transakcji. Algorytm ulepsza się w miarę przetwarzania większej ilości danych, aż do pewnego momentu.

Główne typy to uczenie nadzorowane, nienadzorowane i ze wzmocnieniem. Uczenie nadzorowane wykorzystuje dane oznaczone. Algorytm uczy się mapować dane wejściowe na znane dane wyjściowe. Klasyfikacja przewiduje kategorie. Regresja przewiduje liczby. Uczenie nienadzorowane znajduje strukturę w danych nieoznaczonych. Klastrowanie grupuje podobne rekordy. Redukcja wymiarowości upraszcza złożone dane. Uczenie ze wzmocnieniem uczy agenta metodą prób i błędów, nagradzając dobre działania i karząc za złe. Jest ono podstawą systemów gier i robotyki. Każdy typ rozwiązuje inne problemy. Jakość danych treningowych decyduje o jakości modelu. Dane stronnicze generują stronnicze prognozy. Niekompletne dane generują zawodne prognozy. Nadmierne dopasowanie jest stałym ryzykiem. Model, który zapamiętuje dane treningowe, słabo radzi sobie z nowymi danymi. Regularyzacja, walidacja krzyżowa i inne dane pomagają. Uczenie maszynowe jest potężne, ale kruche. Znajduje wzorce, w tym te, które nie powinny istnieć.

Typy uczenia maszynowego

• Nadzorowane — dane oznaczone, klasyfikacja i regresja
• Bez nadzoru — dane nieoznaczone, klasteryzacja i redukcja wymiarowości
• Wzmocnienie — metoda prób i błędów z nagrodami
• Głębokie uczenie — sieci neuronowe o wielu warstwach

Uczenie maszynowe to rozpoznawanie wzorców na dużą skalę. Wzorzec jest tak dobry, jak dane, które go wygenerowały.