Машины сургалт нь өгөгдсөн ажлыг эсвэл мэдээллийг тусгай зааварчилгаа буюу програм ашиглалгүйгээр тодорхой алгоритмууд ба статистик загварууд ашиглан тухайн өгөгдөл ажлын нийтлэг шинж төлөв дээр үндэслэж судалдаг сурч авдаг ажиллагаа юм. Энэ нь хиймэл оюуны салбарын нэгэн дэд хэсэг болно. Машин сургалтын алгоритмууд нь даалгаврыг гүйцэтгэхийн тулд тодорхой програмчлалгүйгээр урьдчилан таамаглал, шийдвэр гаргахын тулд " сургалтын өгөгдөл " гэгддэг түүврийн өгөгдөл дээр суурилсан математик загварыг бий болгодог. [1] ^[1] ^:2 Машин сурах алгоритмууд нь имэйлийн шүүлтүүр, компьютерийн хараа гэх мэт олон янзын хэрэглээнд хэрэглэгддэг бөгөөд уг ажлыг үр дүнтэй гүйцэтгэх ердийн алгоритм боловсруулахад хэцүү, эсвэл боломжгүй байдаг.

Машины сургалт нь тооцооллын статистиктэй нягт холбоотой бөгөөд энэ нь компьютер ашиглан таамаглал дэвшүүлэхэд чиглэгддэг. Математикийн оновчлолыг судлах нь машин техникийн чиглэлээр арга, онол, хэрэглээний чиглэлийг өгдөг. Мэдээлэл олборлох нь машин сургалтын хүрээнд явагддаг салбар бөгөөд хяналтгүй суралцах замаар мэдээллийн хайгуулын ажилд төвлөрдөг. [3] ^[2] Бизнесийн асуудалд зориулан машин сурах аргыг урьдчилан таамаглах аналитик гэж нэрлэдэг.

Нэр томьёо засварлах

Машины сургалт гэсэн нэр томьёог 1959 онд Артур Самуел өгчээ. ^[3] Том М.Митчелл нь машин сургалт чиглэлээр судлагдсан алгоритмуудын талаар илүү өргөн хэрэглэгддэг, илүү албан ёсны тодорхойлолтыг өгчээ. "Компьютерийн програмыг зарим ангиллын даалгавар Т, гүйцэтгэлийн хэмжүүр P- тэй харьцуулахад Е туршлагаас суралцана гэж хэлсэн. Т- т даалгаврын гүйцэтгэлийг P- ээр хэмжсэнээр Е туршлага сайжирна. " ^[4] Машин сургалттай холбоотой зорилтуудын энэ тодорхойлолт нь танин мэдэхүйн үүднээс энэ талбарыг тодорхойлохоос илүү үндсэн үйл ажиллагааны тодорхойлолтыг санал болгодог.

Машин сургалтын даалгавар ажлууд засварлах

Машин сургалтын даалгавруудыг хэд хэдэн өргөн ангилалд ангилдаг. Хяналттай сургалтанд алгоритм нь оролт, хүссэн гаралтыг хоёуланг нь агуулсан өгөгдлийн багцаас математик загварыг бий болгодог. Жишээлбэл, хэрэв даалгавар нь зураг нь тодорхой обьект агуулж байгаа эсэхийг тодорхойлж байгаа бол хяналттай сургалтын алгоритмын сургалтын мэдээлэлд тухайн обьекттой (оруулах) дүрсгүй, зураг бүрийг тодорхойлдог шошго (гарц) байдаг. энэ зүйлийг агуулж байсан. Онцгой тохиолдолд оролтыг зөвхөн хэсэгчлэн ашиглах боломжтой эсвэл тусгай санал хүсэлтээр хязгаарлаж болно. Хагас хяналттай сургалтын алгоритмууд нь сургалтын бүрэн бус өгөгдлөөс математик загварыг боловсруулдаг бөгөөд түүврийн оролтын нэг хэсэг нь шошготой байдаг.

Ангиллын алгоритм ба регресс алгоритм нь хяналттай сургалтын нэг төрөл юм. Гарцууд хязгаарлагдмал утгатай хязгаарлагдах тохиолдолд ангиллын алгоритмуудыг ашигладаг. И-мэйлүүдийг шүүлтүүрлэдэг ангиллын алгоритмын хувьд оролт нь ирж буй имэйлийн имэйл бөгөөд гаралт нь имэйлийн хавтасны нэр болно. Спам имэйлийг тодорхойлдог алгоритмын хувьд гаралт нь " спам " эсвэл "спам биш" гэсэн утгатай бөгөөд Boolean-ийн үнэн ба худал утгыг харуулдаг. Регрессийн алгоритмууд нь тасралтгүй гаралтаар нэрлэгддэг бөгөөд энэ нь муж дотор ямар ч утгатай байж болно гэсэн үг юм. Тасралтгүй утгын жишээ бол объектын температур, урт эсвэл үнэ юм.

Хяналтгүй сургалтанд алгоритм нь зөвхөн орц, хүссэн гаралтын шошго агуулаагүй өгөгдлийн багцаас математик загварыг бий болгодог. Хяналтгүй сурах алгоритмууд нь өгөгдлийн цэгүүдийг бүлэглэх эсвэл кластер хийх гэх мэт өгөгдлүүдийн бүтцийг олоход ашиглагддаг. Хяналтгүй суралцах нь өгөгдлийн хэв шинжийг олж авах, оролтын онцлог шинж чанаруудыг ашиглан ангиллыг ангилах боломжтой. Хэмжээ багасгах нь өгөгдлийн багц дахь " шинж чанарууд " буюу оролтын тоог бууруулах үйл явц юм.

Идэвхтэй сурах алгоритмууд нь төсөвт суурилсан хязгаарлагдмал орцын хүссэн үр дүнд (сургалтын шошго) хандах, сургалтын шошгыг олж авах орцын сонголтыг оновчтой болгох боломжийг олгодог. Интерактив байдлаар ашиглах тохиолдолд эдгээрийг шошготой болгох зорилгоор хэрэглэгчдэд танилцуулж болно. Арматурын сургалтын алгоритмууд нь динамик орчинд эерэг ба сөрөг бэхлэлт хэлбэрээр санал хүсэлтийг өгдөг бөгөөд бие даасан автомашин эсвэл хүний өрсөлдөгчийн эсрэг тоглоом тоглоход ашигладаг. ^[1] ^:3 Машин сурах бусад мэргэшсэн алгоритмуудад сэдэвчилсэн загварчлал багтдаг бөгөөд үүнд компьютерийн програмд байгалийн хэлний баримт бичгийн багц өгдөг ба үүнтэй ижил сэдвийг багтаасан бусад баримт бичгүүдийг олдог. Машины сургалтын алгоритмыг нягтралын тооцооллын асуудалд ажиглагдахгүй байх магадлалын нягтралын функцийг ашиглаж болно. Мета сургалтын алгоритмууд нь өмнөх туршлага дээрээ үндэслэн өөрсдийн индуктив хэвийх утгыг сурдаг. Хөгжлийн робот техникийн чиглэлээр робот сургалтын алгоритмууд нь сургалтын хөтөлбөр гэж нэрлэгддэг, өөрийгөө удирдан чиглүүлж буй хайгуул, хүмүүстэй харилцах замаар шинэ ур чадварыг хуримтлуулах зорилгоор өөрсдийн туршлага судлах дарааллыг бий болгодог. Эдгээр роботууд нь идэвхтэй суралцах, төлөвших, моторын синергетик, дууриамал гэх мэт удирдамж механизмыг ашигладаг.

Машин сургалтын програм хангамж засварлах

Сонин сэтгүүл засварлах

Машин сурах судалгааны сэтгүүл
<i id="mwAnM">Машин сурах</i>
Байгалийн машины тагнуул
<i id="mwAnk">Мэдрэлийн тооцоолол</i>

Бусад үзэх засварлах

Эх сурвалж засварлах

↑ ^1.0 ^1.1 Bishop, C. M. (2006), Pattern Recognition and Machine Learning, Springer, ISBN 978-0-387-31073-2
↑ Friedman, Jerome H. (1998). "Data Mining and Statistics: What's the connection?". {{cite journal}}: Cite journal requires |journal= (help)
↑ Samuel, Arthur. "Some Studies in Machine Learning Using the Game of Checkers". {{cite journal}}: Cite journal requires |journal= (help)
↑ Mitchell, T. (1997). Machine Learning. McGraw Hill. ISBN 978-0-07-042807-2.

[bishop2006-1] 1.0 ^1.1 Bishop, C. M. (2006), Pattern Recognition and Machine Learning, Springer, ISBN 978-0-387-31073-2

[2] Friedman, Jerome H. (1998). "Data Mining and Statistics: What's the connection?". {{cite journal}}: Cite journal requires |journal= (help)

[Samuel-3] Samuel, Arthur. "Some Studies in Machine Learning Using the Game of Checkers". {{cite journal}}: Cite journal requires |journal= (help)

[Mitchell-1997-4] Mitchell, T. (1997). Machine Learning. McGraw Hill. ISBN 978-0-07-042807-2.

[1]

[2]

[3]

[4]