Μηχανική μάθηση

Τι είναι και γιατί έχει σημασία

Η μηχανική μάθηση είναι μια μέθοδος ανάλυσης δεδομένων που αυτοματοποιεί την ανάπτυξη αναλυτικών μοντέλων. Είναι ένας κλάδος της τεχνητής νοημοσύνης που βασίζεται στην ιδέα ότι τα συστήματα μπορούν να μάθουν από τα δεδομένα, να εντοπίσουν μοτίβα και να λάβουν αποφάσεις με ελάχιστη ανθρώπινη παρέμβαση.

Η εξέλιξη της μηχανικής μάθησης

Λόγω των νέων τεχνολογιών πληροφορικής, η μηχανική μάθηση σήμερα δεν είναι σαν τη μηχανική μάθηση του παρελθόντος. Προέρχεται από την αναγνώριση μοτίβων και τη θεωρία ότι οι υπολογιστές μπορούν να μάθουν χωρίς να προγραμματιστούν για την εκτέλεση συγκεκριμένων εργασιών. Οι ερευνητές που ενδιαφέρονται για την τεχνητή νοημοσύνη θέλησαν να διαπιστώσουν αν οι υπολογιστές θα μπορούσαν να μάθουν από τα δεδομένα. Η επαναληπτική πτυχή της μηχανικής μάθησης είναι σημαντική, διότι καθώς τα μοντέλα εκτίθενται σε νέα δεδομένα, είναι σε θέση να προσαρμοστούν ανεξάρτητα. Μαθαίνουν από προηγούμενους υπολογισμούς να παράγουν αξιόπιστες, επαναλαμβανόμενες αποφάσεις και αποτελέσματα. Είναι μια επιστήμη που δεν είναι καινούργια – αλλά μια επιστήμη που έχει αποκτήσει νέα δυναμική.

Ενώ πολλοί αλγόριθμοι μηχανικής μάθησης υπάρχουν εδώ και πολύ καιρό, η ικανότητα αυτόματης εφαρμογής σύνθετων μαθηματικών υπολογισμών σε big data ξανά και ξανά, ταχύτερα και ταχύτερα - είναι μια πρόσφατη εξέλιξη. Ακολουθούν μερικά ευρέως δημοσιοποιημένα παραδείγματα εφαρμογών μηχανικής μάθησης που μπορεί να γνωρίζετε:

  • Το πολυσυζητημένο αυτοκίνητο Google αυτόματης οδήγησης; Η πεμπτουσία της μηχανικής μάθησης.
  • Διαδικτυακές προσφορές συστάσεων όπως αυτές από το Amazon και το Netflix; Εφαρμογές μηχανικής μάθησης για την καθημερινότητα.
  • Να γνωρίζετε τι λένε οι πελάτες για εσάς στο Twitter; Η μηχανική μάθηση σε συνδυασμό με τη δημιουργία γλωσσικών κανόνων.
  • Εντοπισμός απάτης; Μια από τις πιο προφανείς, σημαντικές χρήσεις στον κόσμο μας σήμερα.

 

Μηχανική Μάθηση και Τεχνητή Νοημοσύνη

Ενώ η τεχνητή νοημοσύνη (ΤΝ) είναι το ευρύ επιστημονικό πεδίο της μίμησης των ανθρώπινων ικανοτήτων, η μηχανική μάθηση είναι ένα συγκεκριμένο υποσύνολο της τεχνητής νοημοσύνης που εκπαιδεύει μια μηχανή πώς να μαθαίνει. Παρακολουθήστε αυτό το βίντεο για να κατανοήσετε καλύτερα τη σχέση μεταξύ τεχνητής νοημοσύνης (ΤΝ) και μηχανικής μάθησης. Θα δείτε πώς λειτουργούν αυτές οι δύο τεχνολογίες, με χρήσιμα παραδείγματα και μερικά αστεία παραλειπόμενα.

Γιατί η μηχανική μάθηση έχει σημασία;

Η αναζωπύρωση του ενδιαφέροντος για τη μηχανική μάθηση οφείλεται στους ίδιους παράγοντες που έχουν κάνει την εξόρυξη δεδομένων και την κατά Bayes ανάλυση πιο δημοφιλείς από ποτέ. Πράγματα όπως ο αυξανόμενος όγκος και οι ποικιλίες των διαθέσιμων δεδομένων, η υπολογιστική επεξεργασία που είναι φθηνότερη και πιο ισχυρή και η προσιτή αποθήκευση δεδομένων.

Όλα αυτά σημαίνουν ότι είναι δυνατή η γρήγορη και αυτόματη παραγωγή μοντέλων που μπορούν να αναλύσουν μεγαλύτερο όγκο πιο σύνθετων δεδομένων και να προσφέρουν ταχύτερα, ακριβέστερα αποτελέσματα - ακόμη και σε πολύ μεγάλη κλίμακα. Και με την κατασκευή ακριβών μοντέλων, ένας οργανισμός έχει περισσότερες πιθανότητες να εντοπίσει κερδοφόρες ευκαιρίες - ή να αποφύγει άγνωστους κινδύνους.

 

Τι απαιτείται για τη δημιουργία καλών συστημάτων μηχανικής μάθησης;

  • Ικανότητες προετοιμασίας δεδομένων
  • Αλγόριθμοι – βασικοί και προηγμένοι.
  • Αυτοματοποίηση και επαναλαμβανόμενες διαδικασίες.
  • Δυνατότητα επέκτασης
  • Μοντελοποίηση συνόλων.
Machine learning infographic

Το γνωρίζατε;

  • Στη μηχανική μάθηση, ο στόχος ονομάζεται ετικέτα.
  • Στη στατιστική, ο στόχος ονομάζεται εξαρτώμενη μεταβλητή.
  • Η μεταβλητή στη στατιστική ονομάζεται δυνατότητα μηχανικής μάθησης.
  • Ο μετασχηματισμός στη στατιστική ονομάζεται δημιουργία δυνατοτήτων στη μηχανική μάθηση.

Η μηχανική μάθηση στον σημερινό κόσμο

Χρησιμοποιώντας αλγορίθμους για τη δημιουργία μοντέλων που αποκαλύπτουν συνδέσεις, οι οργανισμοί μπορούν να λάβουν καλύτερες αποφάσεις χωρίς ανθρώπινη παρέμβαση. Μάθετε περισσότερα για τις τεχνολογίες που διαμορφώνουν τον κόσμο στον οποίο ζούμε.

Blogs

Ευκαιρίες και προκλήσεις για τη μηχανική μάθηση στις επιχειρήσεις

Η λευκή βίβλος O'Reilly παρέχει έναν πρακτικό οδηγό για την υλοποίηση των εφαρμογών μηχανικής μάθησης στον οργανισμό σας.

Διαβάστε τη λευκή βίβλο

Επεκτείνατε το σύνολο δεξιοτήτων σας

Λάβετε σε βάθος οδηγίες και δωρεάν πρόσβαση στο Λογισμικό SAS για να δημιουργήσετε τις δεξιότητές σας για μηχανική μάθηση. Τα μαθήματα περιλαμβάνουν: 14 ώρες μαθημάτων, 90 ημέρες δωρεάν πρόσβαση στο λογισμικό στο υπολογιστικό νέφος, μια ευέλικτη μορφή ηλεκτρονικής μάθησης, χωρίς να απαιτούνται δεξιότητες προγραμματισμού.

Μαθήματα Μηχανικής Μάθησης

Η μηχανική μάθηση θα αλλάξει τον οργανισμό σας;

Η έκθεση του Harvard Business Review Insight Center εξετάζει τον τρόπο με τον οποίο η μηχανική μάθηση θα αλλάξει τις εταιρείες και τον τρόπο με τον οποίο τις διαχειριζόμαστε.

 Λήψη της έκθεσης

Εφαρμογή της μηχανικής μάθησης στο Διαδίκτυο των Πραγμάτων (IoT)

Η μηχανική μάθηση μπορεί να χρησιμοποιηθεί για την επίτευξη υψηλότερων επιπέδων αποτελεσματικότητας, ιδίως όταν εφαρμόζεται στο Διαδίκτυο των Πραγμάτωνs. Αυτό το άρθρο διερευνά το θέμα.

Διαβάστε το άρθρο για το Διαδίκτυο των Πραγμάτων (IoT)

Ποιος το χρησιμοποιεί;

Οι περισσότεροι κλάδοι εργάζονται με μεγάλες ποσότητες δεδομένων έχουν αναγνωρίσει την αξία της τεχνολογίας μηχανικής μάθησης. Αντλώντας πληροφορίες από αυτά τα δεδομένα - συχνά σε πραγματικό χρόνο - οι οργανισμοί είναι σε θέση να εργαστούν πιο αποτελεσματικά ή να αποκτήσουν πλεονέκτημα έναντι των ανταγωνιστών.

Χρηματοοικονομικές υπηρεσίες

Οι τράπεζες και άλλες επιχειρήσεις του χρηματοπιστωτικού κλάδου χρησιμοποιούν τεχνολογία μηχανικής μάθησης για δύο βασικούς σκοπούς: τον εντοπισμό σημαντικών πληροφοριών σχετικά με τα δεδομένα και την πρόληψη της απάτης. Οι πληροφορίες μπορούν να εντοπίσουν επενδυτικές ευκαιρίες ή να βοηθήσουν τους επενδυτές να γνωρίζουν πότε να συναλλάσσονται. Η εξόρυξη δεδομένων μπορεί επίσης να εντοπίσει πελάτες με προφίλ υψηλού κινδύνου ή να χρησιμοποιήσει την κυβερνοεπιτήρηση για να εντοπίσει προειδοποιητικά σημάδια απάτης.

Κυβέρνηση

Οι κυβερνητικές υπηρεσίες, όπως η δημόσια ασφάλεια και οι επιχειρήσεις κοινής ωφέλειας, έχουν ιδιαίτερη ανάγκη για μηχανική μάθηση, καθώς έχουν πολλαπλές πηγές δεδομένων που μπορούν να εξορυχθούν για πληροφορίες. Η ανάλυση δεδομένων αισθητήρων, για παράδειγμα, προσδιορίζει τρόπους αύξησης της αποδοτικότητας και εξοικονόμησης χρημάτων. Η μηχανική μάθηση μπορεί επίσης να βοηθήσει στον εντοπισμό της απάτης και στην ελαχιστοποίηση περιπτώσεων κλοπής ταυτότητας.t.

Ιατροφαρμακευτική περίθαλψη

Η μηχανική μάθηση είναι μια ταχέως αναπτυσσόμενη τάση στον κλάδο της υγειονομικής περίθαλψης, χάρη στην εμφάνιση φορητών συσκευών και αισθητήρων που μπορούν να χρησιμοποιήσουν δεδομένα για να αξιολογήσουν την υγεία ενός ασθενούς σε πραγματικό χρόνο. Η τεχνολογία μπορεί επίσης να βοηθήσει τους ιατρικούς εμπειρογνώμονες να αναλύσουν δεδομένα για να εντοπίσουν τάσεις ή κόκκινες σημαίες που μπορεί να οδηγήσουν σε βελτιωμένες διαγνώσεις και θεραπεία.

Λιανεμπόριοl

Οι ιστότοποι που συνιστούν αντικείμενα που μπορεί να σας αρέσουν με βάση προηγούμενες αγορές χρησιμοποιούν μηχανική μάθηση για να αναλύσουν το ιστορικό των αγορών σας. Οι λιανοπωλητές βασίζονται στη μηχανική μάθηση για να καταγράψουν δεδομένα, να τα αναλύσουν και να τα χρησιμοποιήσουν για να εξατομικεύσουν μια εμπειρία αγορών, να εφαρμόσουν μια εκστρατεία μάρκετινγκ, βελτιστοποίηση τιμών, σχεδιασμό προμήθειας εμπορευμάτων και γιαr πληροφορίες πελατών.   

Πετρέλαιο και φυσικό αέριο

Ανεύρεση νέων πηγών ενέργειας. Ανάλυση ορυκτών στο έδαφος. Πρόβλεψη βλάβης του αισθητήρα διυλιστηρίου. Εξορθολογισμός της διανομής πετρελαίου για να καταστεί πιο αποτελεσματική και οικονομικά αποδοτική. Ο αριθμός των περιπτώσεων χρήσης της μηχανικής μάθησης για αυτόν τον κλάδο είναι τεράστιος - και εξακολουθεί να επεκτείνεται.

Μεταφορές

Η ανάλυση δεδομένων για τον εντοπισμό μοτίβων και τάσεων είναι καίριας σημασίας για τον κλάδο των μεταφορών, ο οποίος βασίζεται στο να καταστήσει τις διαδρομές πιο αποτελεσματικές και να προβλέψει πιθανά προβλήματα για την αύξηση της κερδοφορίας. Οι πτυχές ανάλυσης δεδομένων και μοντελοποίησης της μηχανικής μάθησης είναι σημαντικά εργαλεία για τις εταιρείες μεταφορών, τις δημόσιες συγκοινωνίες και άλλους οργανισμούς μεταφορών.

Πώς λειτουργεί

Για να αξιοποιήσετε στο έπακρο τη μηχανική μάθηση, πρέπει να γνωρίζετε πώς να συνδυάσετε τους καλύτερους αλγόριθμους με τα κατάλληλα εργαλεία και διαδικασίες. Το SAS συνδυάζει πλούσια, εξελιγμένη κληρονομιά στη στατιστική και την εξόρυξη δεδομένων με νέες αρχιτεκτονικές εξελίξεις για να διασφαλίσει ότι τα μοντέλα σας λειτουργούν όσο το δυνατόν γρηγορότερα - ακόμη και σε τεράστια επιχειρησιακά περιβάλλοντα..

Αλγόριθμοι: Οι γραφικές διεπαφές χρήστη SAS σας βοηθούν να δημιουργήσετε μοντέλα μηχανικής μάθησης και να εφαρμόσετε μια επαναληπτική διαδικασία μηχανικής εκμάθησης. Δεν χρειάζεται να έχετε προηγμένες γνώσεις στατιστικής Η ολοκληρωμένη επιλογή αλγορίθμων μηχανικής μάθησης μπορεί να σας βοηθήσει να αποκτήσετε γρήγορα αξία από τα μαζικά δεδομένα σας και συμπεριλαμβάνονται σε πολλά προϊόντα SAS. Οι αλγόριθμοι μηχανικής μάθησης SAS περιλαμβάνουν:

Νευρωνικά δίκτυα
 
Δέντρα απόφασης
 
Τυχαία δάση
 
Συνδυασμοί και ανακάλυψη αλληλουχίας
 
Ενίσχυση της διαβάθμισης και bagging
 
Υποστήριξη διανυσματικών μηχανών
 
Χαρτογράφηση πλησιέστερου γείτονα
 
Ομαδοποίηση μέσων k
 
Χάρτες αυτό-οργάνωσης
 
Τεχνικές βελτιστοποίησης τοπικής αναζήτησης (π.χ. γενετικοί αλγόριθμοι))
 
Μεγιστοποίηση προσδοκιών
 
Πολυμεταβλητές προσαρμόσιμες σφήνες παλινδρόμησης
 
Δίκτυα κατά Bayes
 
Εκτίμηση πυκνότητας πυρήνα
 
Ανάλυση κύριων συστατικών στοιχείων
 
Αποδόμησης μοναδικής τιμής
 
Μοντέλα μείγματος κατά Gauss
 
Δημιουργία κανόνων διαδοχικής κάλυψης
 

 

Εργαλεία και διαδικασίες: Όπως γνωρίζουμε μέχρι τώρα, δεν είναι μόνο οι αλγόριθμοι. Τελικά, το μυστικό για να αποκτήσετε τη μέγιστη αξία από τα Big Data έγκειται στο να αντιστοιχίσετε τους καλύτερους αλγόριθμους για την παρούσα εργασία με:

Ολοκληρωμένη ποιότητα και διαχείριση δεδομένων
 
Γραφικές διεπαφές χρήστη (GUI) για τη δημιουργία μοντέλων και ροών διαδικασιών
 
Διαδραστική διερεύνηση δεδομένων και οπτικοποίηση των αποτελεσμάτων του μοντέλου
 
Συγκρίσεις διαφορετικών μοντέλων μηχανικής μάθησης για να εντοπίσετε γρήγορα το καλύτερο
 
Αυτόματη αξιολόγηση συνόλου μοντέλων για τον εντοπισμό εκείνων με τις καλύτερες επιδόσεις
 
Εύκολη ανάπτυξη μοντέλου, ώστε να έχετε γρήγορα επαναλαμβανόμενα και αξιόπιστα αποτελέσματα
 
Μια ολοκληρωμένη, από άκρο σε άκρο πλατφόρμα για την αυτοματοποίηση της διαδικασίας από τα δεδομένα έως την απόφαση.
 

Χρειάζεστε κάποια βασική καθοδήγηση σχετικά με τον αλγόριθμο μηχανικής μάθησης που πρέπει να χρησιμοποιήσετε; Αυτό το blog του Hui Li, επιστήμονα δεδομένων στο SAS, παρέχει ένα εύχρηστο φύλλο για αντιγραφή.

Ποιες είναι μερικές δημοφιλείς μέθοδοι μηχανικής μάθησης;

Δύο από τις πιο ευρέως υιοθετημένες μεθόδους μηχανικής μάθησης είναι η επιτηρούμενη μάθηση και η μη επιτηρούμενη μάθηση – αλλά υπάρχουν και άλλες μέθοδοι μηχανικής μάθησης. Ακολουθεί επισκόπηση των πιο δημοφιλών τύπων.

Οι αλγόριθμοι επιτηρούμενης μάθησης εκπαιδεύονται χρησιμοποιώντας χαρακτηρισμένα παραδείγματα, όπως μια είσοδο όπου είναι γνωστή η επιθυμητή έξοδος. Για παράδειγμα, ένα κομμάτι εξοπλισμού θα μπορούσε να έχει σημεία δεδομένων με την ένδειξη "F" (απέτυχε) ή "R" (εκτελείται). Ο αλγόριθμος εκμάθησης λαμβάνει ένα σύνολο εισόδων μαζί με τις αντίστοιχες σωστές εξόδους και ο αλγόριθμος μαθαίνει συγκρίνοντας την πραγματική του έξοδο με τις σωστές εξόδους για να εντοπίσει σφάλματα. Στη συνέχεια τροποποιεί ανάλογα το μοντέλο. Μέσω μεθόδων όπως η ταξινόμηση, η αναδρομή, η πρόβλεψη και η ενίσχυση της διαβάθμισης, η επιτηρούμενη μάθηση χρησιμοποιεί μοτίβα για να προβλέψει τις τιμές της ετικέτας σε πρόσθετα δεδομένα χωρίς ετικέτα. Η επιτηρούμενη μάθηση χρησιμοποιείται συνήθως σε εφαρμογές όπου ιστορικά δεδομένα προβλέπουν πιθανά μελλοντικά γεγονότα. Για παράδειγμα, μπορεί να προβλέψει πότε οι συναλλαγές με πιστωτικές κάρτες είναι πιθανό να είναι δόλιες ή ποιος πελάτης ασφαλιστικής κάλυψης είναι πιθανό να υποβάλει έχει αξίωση.

Η μη επιτηρούμενη μάθηση χρησιμοποιείται ενάντια σε δεδομένα που δεν έχουν ιστορικές ετικέτες. Το σύστημα δεν λαμβάνει τη "σωστή απάντηση". Ο αλγόριθμος πρέπει να καταλάβει τι εμφανίζεται. Ο στόχος είναι να εξεταστούν τα δεδομένα και να βρεθεί κάποια δομή στο εσωτερικό τους. Η μη επιτηρούμενη μάθηση λειτουργεί καλά στα δεδομένα συναλλαγών. Για παράδειγμα, μπορεί να εντοπίσει τμήματα πελατών με παρόμοια χαρακτηριστικά, τα οποία μπορούν στη συνέχεια να αντιμετωπίζονται με παρόμοιο τόπο σε εκστρατείες μάρκετινγκ. Ή μπορεί να βρει τα κύρια χαρακτηριστικά που διαχωρίζουν τμήματα πελατών το ένα από το άλλο. Οι δημοφιλείς τεχνικές περιλαμβάνουν χάρτες αυτό-οργάνωσης, χαρτογράφηση πλησιέστερου γείτονα, ομαδοποίηση Κ-μέσων και αποδόμηση μοναδικής τιμής. Αυτοί οι αλγόριθμοι χρησιμοποιούνται επίσης για την τμηματοποίηση θεμάτων κειμένου, τη σύσταση στοιχείων και τον εντοπισμό ακραίων τιμών δεδομένων.

Ήμι-επιτηρούμενη μάθηση χρησιμοποιείται για τις ίδιες εφαρμογές με την επιτηρούμενη μάθηση. Αλλά χρησιμοποιεί τόσο επισημασμένα όσο και μη επισημασμένα δεδομένα για κατάρτιση - συνήθως μια μικρή ποσότητα επισημασμένων δεδομένων με μεγάλη ποσότητα μη επισημασμένων δεδομένων (επειδή τα μη επισημασμένα δεδομένα είναι φθηνότερα και απαιτούν λιγότερη προσπάθεια για την απόκτηση τους). Αυτός ο τύπος μάθησης μπορεί να χρησιμοποιηθεί με μεθόδους όπως η ταξινόμηση, η παλινδρόμηση και η πρόβλεψη. Η ήμι-εποπτευόμενη μάθηση είναι χρήσιμη όταν το κόστος που σχετίζεται με την επισήμανση είναι πολύ υψηλό για να δώσει τη δυνατότητα για μια πλήρως επισημασμένη διαδικασία κατάρτισης. Τα πρώτα παραδείγματα αυτού περιλαμβάνουν την αναγνώριση του προσώπου ενός ατόμου σε μια κάμερα ιστού.

Ενισχυτική μάθηση χρησιμοποιείται συχνά για την ρομποτική, τα παιχνίδια και την πλοήγηση. Με την ενισχυτική μάθηση, ο αλγόριθμος ανακαλύπτει μέσω της μεθόδου δοκιμής και σφάλματος ποιες ενέργειες αποφέρουν τα μεγαλύτερα οφέλη. Αυτός ο τύπος μάθησης έχει τρία κύρια συστατικά: τον παράγοντα (ο μαθητής ή ο υπεύθυνος λήψης αποφάσεων), το περιβάλλον (όλα με όσα αλληλεπιδρά ο παράγοντας) και οι ενέργειες (τι μπορεί να κάνει ο παράγοντας). Ο στόχος είναι ο παράγοντας να επιλέξει ενέργειες που μεγιστοποιούν την αναμενόμενη ανταμοιβή σε δεδομένο χρονικό διάστημα. Ο παράγοντας ας θα αγγίξει τον στόχο πολύ πιο γρήγορα ακολουθώντας μια καλή πολιτική. Επομένως ο στόχος λοιπόν στην ενισχυτική μάθηση είναι να μάθουμε την καλύτερη πολιτική.

Οι άνθρωποι μπορούν συνήθως να δημιουργήσουν ένα ή δύο καλά μοντέλα την εβδομάδα. η μηχανική μάθηση μπορεί να δημιουργήσει χιλιάδες μοντέλα την εβδομάδα.

Thomas H. Davenport, επικεφαλής σκέψης των αναλυτικών στοιχείων απόσπασμα από την Wall Street Journal

Ποιες είναι οι διαφορές μεταξύ εξόρυξης δεδομένων, μηχανικής μάθησης και βαθιάς μάθησης;

Αν και όλες αυτές οι μέθοδοι έχουν τον ίδιο στόχο - να εξάγουν ιδέες, μοτίβα και σχέσεις που μπορούν να χρησιμοποιηθούν για τη λήψη αποφάσεων - έχουν διαφορετικές προσεγγίσεις και ικανότητες.

Εξόρυξη Δεδομένων

Η εξόρυξη δεδομένων μπορεί να θεωρηθεί ως ένα υπερσύνολο πολλών διαφορετικών μεθόδων για την εξαγωγή πληροφοριών από δεδομένα. Μπορεί να περιλαμβάνει παραδοσιακές στατιστικές μεθόδους και μηχανική μάθηση. Η εξόρυξη δεδομένων εφαρμόζει μεθόδους από πολλές διαφορετικές περιοχές για τον εντοπισμό προηγουμένως άγνωστων μοτίβων από δεδομένα. Αυτό μπορεί να περιλαμβάνει στατιστικούς αλγόριθμους, μηχανική μάθηση, ανάλυση κειμένου, ανάλυση χρονοσειρών και άλλους τομείς analytics. Η εξόρυξη δεδομένων περιλαμβάνει επίσης τη μελέτη και την πρακτική αποθήκευσης δεδομένων και διαχείρισης δεδομένων.

 


Μηχανική μάθηση

Η κύρια διαφορά με τη μηχανική μάθηση είναι ότι ακριβώς όπως τα στατιστικά μοντέλα, ο στόχος είναι να κατανοήσουμε τη δομή των δεδομένων - να προσαρμόσουμε τις θεωρητικές κατανομές στα δεδομένα που είναι καλά κατανοητά. Έτσι, με τα στατιστικά μοντέλα υπάρχει μια θεωρία πίσω από το μοντέλο που είναι μαθηματικά αποδεδειγμένη, αλλά αυτό απαιτεί τα δεδομένα να πληρούν επίσης ορισμένες ισχυρές παραδοχές. Η μηχανική μάθηση έχει αναπτυχθεί με βάση τη δυνατότητα χρήσης υπολογιστών για τη διερεύνηση των δεδομένων για χάρη της δομής, ακόμη και αν δεν έχουμε μια θεωρία για το πώς είναι αυτή η δομή. Ο έλεγχος για τυχόν μοντέλο μηχανικής μάθησης είναι ένα σφάλμα επικύρωσης σε νέα δεδομένα, όχι ένας θεωρητικός έλεγχος που αποδεικνύει μια μηδενική υπόθεση. Επειδή η μηχανική μάθηση χρησιμοποιεί συχνά επαναληπτική προσέγγιση για να μάθει από τα δεδομένα, η μάθηση μπορεί να αυτοματοποιηθεί εύκολα. Τα περάσματα εκτελούνται μέσω των δεδομένων έως ότου βρεθεί ένα ισχυρό μοτίβο.


Βαθιά μάθηση

Η βαθιά μάθηση συνδυάζει την ενισχυμένη υπολογιστική ισχύ και ειδικούς τύπους νευρωνικών δικτύων για να μάθει περίπλοκα μοντέλα σε μεγάλο όγκο δεδομένων. Οι τεχνικές βαθιάς μάθησης είναι επί του παρόντος τελευταίας τεχνολογίας για τον εντοπισμό αντικειμένων σε εικόνες και λέξεις σε ήχους. Οι ερευνητές τώρα προσπαθούν να εφαρμόσουν αυτές τις επιτυχίες στην αναγνώριση προτύπων σε πιο σύνθετα καθήκοντα, όπως αυτόματη μετάφραση γλώσσας, ιατρικές διαγνώσεις και πολλά άλλα σημαντικά κοινωνικά και επιχειρηματικά προβλήματα.