Makine öğrenimi, veri içindeki kalıpları bulmak ve tahminlerde bulunmak için algoritmaları eğitir. Açık kurallar programlamak yerine, algoritmaya örnekler verirsiniz. Algoritma, girdiler ve çıktılar arasındaki ilişkiyi öğrenir. Ardından bu öğrenmeyi yeni verilere uygular. Bir spam filtresi, milyonlarca etiketlenmiş e-postadan öğrenir. Bir öneri motoru, kullanıcı davranışından öğrenir. Bir dolandırıcılık modeli, geçmiş işlemlerden öğrenir. Algoritma, belirli bir noktaya kadar daha fazla veri gördükçe gelişir.

Başlıca türleri denetimli, denetimsiz ve pekiştirmeli öğrenmedir. Denetimli öğrenme etiketli verileri kullanır. Algoritma, girdileri bilinen çıktılara eşlemeyi öğrenir. Sınıflandırma kategorileri tahmin eder. Regresyon sayıları tahmin eder. Denetimsiz öğrenme, etiketlenmemiş verilerde yapı bulur. Kümeleme, benzer kayıtları gruplandırır. Boyut indirgeme, karmaşık verileri basitleştirir. Pekiştirmeli öğrenme, deneme yanılma yoluyla bir ajanı eğitir, iyi eylemleri ödüllendirir ve kötü eylemleri cezalandırır. Oyun oynama sistemlerini ve robotik sistemlerini destekler. Her tür farklı sorunlara uygundur. Eğitim verilerinin kalitesi, modelin kalitesini belirler. Önyargılı veriler, önyargılı tahminler üretir. Eksik veriler, güvenilmez tahminler üretir. Aşırı uyum sürekli bir risktir. Eğitim verilerini ezberleyen bir model, yeni verilerde kötü performans gösterir. Düzenleme, çapraz doğrulama ve daha fazla veri yardımcı olur. Makine öğrenimi güçlü ve kırılgandır. Var olmaması gerekenler de dahil olmak üzere kalıplar bulur.

Makine öğrenimi türleri

• Denetimli öğrenme — etiketli veriler, sınıflandırma ve regresyon
• Denetimsiz öğrenme — etiketlenmemiş veriler, kümeleme ve boyut indirgeme
• Pekiştirme — ödüllerle deneme yanılma yöntemi
• Derin öğrenme — çok katmanlı sinir ağları

Makine öğrenimi, büyük ölçekte örüntü tanıma işlemidir. Örüntünün kalitesi, onu üreten verilerin kalitesiyle doğru orantılıdır.