Máy học huấn luyện các thuật toán để tìm ra các mẫu trong dữ liệu và đưa ra dự đoán. Thay vì lập trình các quy tắc cụ thể, bạn cung cấp cho thuật toán các ví dụ. Nó học được mối quan hệ giữa đầu vào và đầu ra. Sau đó, nó áp dụng kiến ​​thức đó cho dữ liệu mới. Bộ lọc thư rác học hỏi từ hàng triệu email đã được gắn nhãn. Công cụ đề xuất học hỏi từ hành vi người dùng. Mô hình chống gian lận học hỏi từ các giao dịch trong quá khứ. Thuật toán sẽ được cải thiện khi nó tiếp nhận nhiều dữ liệu hơn, cho đến một mức độ nhất định.

Các loại chính là học có giám sát, học không giám sát và học tăng cường. Học có giám sát sử dụng dữ liệu được gán nhãn. Thuật toán học cách ánh xạ đầu vào đến đầu ra đã biết. Phân loại dự đoán các danh mục. Hồi quy dự đoán các con số. Học không giám sát tìm cấu trúc trong dữ liệu chưa được gán nhãn. Phân cụm nhóm các bản ghi tương tự nhau. Giảm chiều dữ liệu đơn giản hóa dữ liệu phức tạp. Học tăng cường huấn luyện một tác nhân thông qua thử và sai, thưởng cho các hành động tốt và phạt các hành động xấu. Nó cung cấp sức mạnh cho các hệ thống chơi game và robot. Mỗi loại phù hợp với các vấn đề khác nhau. Chất lượng của dữ liệu huấn luyện quyết định chất lượng của mô hình. Dữ liệu thiên vị tạo ra các dự đoán thiên vị. Dữ liệu không đầy đủ tạo ra các dự đoán không đáng tin cậy. Quá khớp là rủi ro thường trực. Một mô hình ghi nhớ dữ liệu huấn luyện sẽ hoạt động kém trên dữ liệu mới. Chuẩn hóa, kiểm định chéo và nhiều dữ liệu hơn sẽ giúp ích. Học máy rất mạnh mẽ nhưng cũng rất dễ bị tổn thương. Nó tìm ra các mẫu, bao gồm cả những mẫu không nên tồn tại.

Các loại máy học

• Học có giám sát — dữ liệu được gán nhãn, phân loại và hồi quy
• Không giám sát — dữ liệu không được gắn nhãn, phân cụm và giảm chiều dữ liệu
• Củng cố bằng phương pháp thử và sai kèm theo phần thưởng
• Học sâu — mạng nơ-ron nhiều lớp

Máy học là nhận dạng mẫu ở quy mô lớn. Mẫu đó chỉ tốt khi dữ liệu tạo ra nó tốt.