Masjienleer (ML)
- Masjienleer onder toesig
- Masjienleer sonder toesig
- Selftoesig Masjienleer
Klassieke programmering gebruik programme (algoritmes) om resultate te skep:
Tradisionele rekenaars
Data + Rekenaar Algoritme = Resultaat
Masjienleer gebruik resultate om programme (algoritmes) te skep:
Masjienleer
Data + Resultaat = Rekenaaralgoritme
Masjienleer
Masjienleer word dikwels as gelykstaande aan Kunsmatige Intelligensie beskou.
Dit is nie korrek nie. Masjienleer is 'n subset van Kunsmatige Intelligensie.
Masjienleer is 'n dissipline van KI wat data gebruik om masjiene te onderrig.
"Masjineleer is 'n studierigting wat rekenaars die vermoë gee om te leer sonder om geprogrammeer te word."
Arthur Samuel (1959)
Leer onder toesig
Leer onder toesig gebruik benoemde data (data met bekende antwoorde) om algoritmes op te lei om:
- Klassifiseer data
- Voorspel uitkomste
Leer onder toesig kan data klassifiseer soos "Wat is strooipos in 'n e-pos", gebaseer op bekende strooiposvoorbeelde.
Leer onder toesig kan uitkomste voorspel soos om te voorspel van watter soort video jy hou, gebaseer op video's wat jy gespeel het.
Leer sonder toesig
Leer sonder toesig word gebruik om ongedefinieerde verwantskappe soos betekenisvolle patrone in data te voorspel.
Dit gaan oor die skep van rekenaaralgoritmes wat hulself kan verbeter.
Daar word verwag dat masjienleer sal verskuif na leer sonder toesig om programmeerders in staat te stel om probleme op te los sonder om modelle te skep.
Self-toesig leer
Self-toesig leer is soortgelyk aan nie-toesig leer, want beide werk met data sonder menslike bygevoeg etikette.
Die verskil is dat leer sonder toesig groepering, groepering en dimensionaliteitsvermindering gebruik, terwyl selftoesig leer sy eie gevolgtrekkings maak vir regressie- en klassifikasietake.