Apprentissage automatique – Pour commencer
Machine learning est une branche de l'intelligence artificielle. La recherche sur l’intelligence artificielle suit un chemin naturel et clair, passant du « raisonnement » au « savoir », puis à « l’apprentissage ». De toute évidence, l'apprentissage automatique est un moyen de réaliser l'intelligence artificielle, c'est-à-dire d'utiliser l'apprentissage automatique comme moyen de résoudre des problèmes liés à l'intelligence artificielle. Au cours des 30 dernières années, l'apprentissage automatique est devenu un sujet interdisciplinaire multidisciplinaire, impliquant la théorie des probabilités, les statistiques, la théorie de l'approximation, l'analyse convexe, la théorie de la complexité informatique et d'autres disciplines. La théorie de l’apprentissage automatique implique principalement la conception et l’analyse d’algorithmes qui permettent aux ordinateurs d’« apprendre » automatiquement. Les algorithmes d'apprentissage automatique sont un type d'algorithme qui analyse et obtient automatiquement des modèles à partir de données et utilise ces modèles pour prédire des données inconnues. Étant donné que les algorithmes d’apprentissage impliquent une grande partie de la théorie statistique, l’apprentissage automatique est particulièrement étroitement lié aux statistiques inférentielles, également connues sous le nom de « théorie de l’apprentissage statistique ». En termes de conception d’algorithmes, la théorie de l’apprentissage automatique se concentre sur des algorithmes d’apprentissage réalisables et efficaces. De nombreux problèmes d'inférence sont difficiles à résoudre sans programme. Une partie de la recherche en apprentissage automatique consiste donc à développer des algorithmes approximatifs traitables. L'apprentissage automatique a été largement utilisé dans l'exploration de données, la vision par ordinateur, le traitement du langage naturel, l'identification biométrique, les moteurs de recherche, le diagnostic médical, la détection de fraude par carte de crédit, l'analyse du marché des valeurs mobilières, le séquençage de séquences d'ADN, la reconnaissance vocale et manuscrite, les jeux et robots stratégiques. , etc. .
DéfinitionL'apprentissage automatique est une science de l'intelligence artificielle. Le principal objet de recherche dans ce domaine est l'intelligence artificielle, notamment comment améliorer les performances d'algorithmes spécifiques dans l'apprentissage empirique.
- L'apprentissage automatique est l'étude d'algorithmes informatiques qui peuvent automatiquement s'améliorer grâce à l'expérience.
- L'apprentissage automatique utilise des données ou une expérience passée pour optimiser les normes de performances des programmes informatiques.
- Une définition anglaise fréquemment citée est la suivante : on dit qu'un programme informatique apprend de l'expérience E en ce qui concerne une classe de tâches T et une mesure de performance P, si ses performances aux tâches de T, telles que mesurées par P, s'améliorent avec l'expérience E.
L'apprentissage supervisé apprend une fonction à partir d'un ensemble de données d'entraînement donné. Lorsque de nouvelles données arrivent, le résultat peut être prédit en fonction de cette fonction. L'exigence de l'ensemble de formation de l'apprentissage supervisé est d'inclure les entrées et les sorties, qui peuvent également être considérées comme des caractéristiques et des cibles. Les objets de l'ensemble d'entraînement sont étiquetés par des humains. Les algorithmes d'apprentissage supervisé courants incluent l'analyse de régression et la classification statistique.
- La différence entre l'apprentissage supervisé et l'apprentissage non supervisé réside dans le fait que les objectifs fixés pour l'entraînement soient étiquetés par des humains. Ils ont tous des ensembles de formation et tous deux ont une entrée et une sortie
Par rapport à l'apprentissage supervisé, l'apprentissage non supervisé n'a aucun résultat étiqueté par l'homme dans l'ensemble de formation. Un algorithme d’apprentissage non supervisé courant est le clustering.
- L'apprentissage semi-supervisé se situe entre l'apprentissage supervisé et l'apprentissage non supervisé.
- L'apprentissage par renforcement apprend à effectuer des actions par l'observation. Chaque action a un impact sur l'environnement, et les sujets d'apprentissage portent des jugements sur la base des retours qu'ils observent de l'environnement qui les entoure.
- Bishop, CM (2006). "Reconnaissance de formes et apprentissage automatique", Springer ISBN 978-0-387-31073-2.
- Richard O. Duda, Peter E. Hart, David G. Stork (2001). « Classification des modèles » (2e édition), New York : ISBN 0-471-05669-3. .
- MacKay, DJC (2003). "Théorie de l'information, raisonnement et algorithmes d'apprentissage", Cambridge University Press ISBN 0-521-64298-1 .
- Mitchel.l, T. (1997). "Apprentissage automatique", McGraw Hill ISBN 0-07-042807-7 .
- Sholom Weiss, Casimir Kulikowski (1991) Systèmes informatiques qui apprennent
- , Morgan Kaufmann ISBN 1-55860-065-5..
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Solution aux problèmes d'autorisation Lors de la visualisation de la version Python dans Linux Terminal Lorsque vous essayez d'afficher la version Python dans Linux Terminal, entrez Python ...

Causes et solutions pour les erreurs Lors de l'utilisation de PECL pour installer des extensions dans un environnement Docker Lorsque nous utilisons un environnement Docker, nous rencontrons souvent des maux de tête ...

De nombreux développeurs de sites Web sont confrontés au problème de l'intégration de Node.js ou des services Python sous l'architecture de lampe: la lampe existante (Linux Apache MySQL PHP) a besoin d'un site Web ...

Utilisation de Python dans Linux Terminal ...

Configurez la tâche de synchronisation APScheduler en tant que service sur la plate-forme MacOS, si vous souhaitez configurer la tâche de synchronisation APScheduler en tant que service, similaire à Ngin ...

En ce qui concerne le problème de la suppression de l'interpréteur Python qui est livré avec des systèmes Linux, de nombreuses distributions Linux préinstalleront l'interpréteur Python lors de l'installation, et il n'utilise pas le gestionnaire de packages ...

Le multithreading dans la langue peut considérablement améliorer l'efficacité du programme. Il existe quatre façons principales d'implémenter le multithreading dans le langage C: créer des processus indépendants: créer plusieurs processus en cours d'exécution indépendante, chaque processus a son propre espace mémoire. Pseudo-Multithreading: Créez plusieurs flux d'exécution dans un processus qui partagent le même espace mémoire et exécutent alternativement. Bibliothèque multi-thread: Utilisez des bibliothèques multi-threades telles que PTHEADS pour créer et gérer des threads, en fournissant des fonctions de fonctionnement de thread riches. Coroutine: une implémentation multi-thread légère qui divise les tâches en petites sous-tâches et les exécute tour à tour.

Pour ouvrir un fichier web.xml, vous pouvez utiliser les méthodes suivantes: Utilisez un éditeur de texte (tel que le bloc-notes ou TextEdit) pour modifier les commandes à l'aide d'un environnement de développement intégré (tel qu'Eclipse ou NetBeans) (Windows: Notepad web.xml; Mac / Linux: Open -A TextEdit web.xml)
