Strojové učení (ML) je oblast studia v umělé inteligenci, která se zabývá vývojem a studiem statistických algoritmů, které se dokáží učit z dat a zobecňovat na neviděná data, a tím provádět úlohy bez explicitních instrukcí. [1] V poslední době jsou generativní umělé neuronové sítě schopny překonat mnoho předchozích přístupů ve výkonu. [2] [3] Přístupy strojového učení byly aplikovány v mnoha oblastech, včetně velkých jazykových modelů, počítačového vidění, rozpoznávání řeči, filtrování e-mailů, zemědělství a medicíny, kde je příliš nákladné vyvíjet algoritmy pro provádění potřebných úloh. [4] [5] ML je známý ve své aplikaci napříč obchodními problémy pod názvem prediktivní analýza. Přestože ne veškeré strojové učení je založeno na statistice, výpočetní statistika je důležitým zdrojem metod tohoto oboru. Matematické základy ML jsou poskytovány metodami matematické optimalizace (matematického programování). Těžba dat je související (paralelní) obor studia, zaměřující se na průzkumnou analýzu dat prostřednictvím nesupervidovaného učení. [7] [8] Z teoretického hlediska poskytuje pravděpodobně přibližně správné učení rámec pro popis strojového učení.
Facebook Twitter