Învățarea automată antrenează algoritmii să găsească modele în date și să facă predicții. În loc să programezi reguli explicite, algoritmul este alimentat cu exemple. Acesta învață relația dintre intrări și ieșiri. Apoi aplică această învățare la date noi. Un filtru de spam învață din milioane de e-mailuri etichetate. Un motor de recomandări învață din comportamentul utilizatorilor. Un model de fraudă învață din tranzacțiile istorice. Algoritmul se îmbunătățește pe măsură ce vede mai multe date, până la un anumit punct.

Principalele tipuri sunt învățarea supervizată, nesupervizată și prin consolidare. Învățarea supervizată utilizează date etichetate. Algoritmul învață să mape intrările la ieșiri cunoscute. Clasificarea prezice categorii. Regresia prezice numere. Învățarea nesupervizată găsește structură în datele neetichetate. Gruparea în clustering grupează înregistrări similare. Reducerea dimensionalității simplifică datele complexe. Învățarea prin consolidare antrenează un agent prin încercări și erori, recompensând acțiunile bune și penalizând pe cele rele. Aceasta alimentează sistemele de jocuri și robotica. Fiecare tip se potrivește unor probleme diferite. Calitatea datelor de antrenament determină calitatea modelului. Datele părtinitoare produc predicții părtinitoare. Datele incomplete produc predicții nesigure. Supraadaptarea este riscul constant. Un model care memorează datele de antrenament are performanțe slabe pe date noi. Regularizarea, validarea încrucișată și mai multe date ajută. Învățarea automată este puternică și fragilă. Găsește modele, inclusiv unele care nu ar trebui să existe.

Tipuri de învățare automată

• Supervizat — date etichetate, clasificare și regresie
• Nesupravegheat — date neetichetate, grupare în cluster și reducerea dimensionalității
• Întărire — încercare și eroare cu recompense
• Învățare profundă — rețele neuronale cu mai multe straturi

Învățarea automată este recunoașterea tiparelor la scară largă. Tiparul este la fel de bun ca și datele care l-au produs.