Pembelajaran mesin ialah satu cabang kecerdasan buatan. Penyelidikan mengenai kecerdasan buatan mengikuti jalan semula jadi dan jelas daripada memfokuskan pada "penaakulan" kepada memberi tumpuan kepada "pengetahuan" dan kemudian kepada "pembelajaran". Jelas sekali, pembelajaran mesin ialah satu cara untuk merealisasikan kecerdasan buatan, iaitu, menggunakan pembelajaran mesin sebagai cara untuk menyelesaikan masalah dalam kecerdasan buatan. Dalam 30 tahun yang lalu, pembelajaran mesin telah berkembang menjadi subjek antara disiplin pelbagai bidang, yang melibatkan teori kebarangkalian, statistik, teori penghampiran, analisis cembung, teori kerumitan pengiraan dan disiplin lain. Teori pembelajaran mesin terutamanya melibatkan reka bentuk dan analisis algoritma yang membolehkan komputer "belajar" secara automatik. Algoritma pembelajaran mesin ialah sejenis algoritma yang secara automatik menganalisis dan mendapatkan corak daripada data dan menggunakan corak untuk meramal data yang tidak diketahui. Oleh kerana algoritma pembelajaran melibatkan sejumlah besar teori statistik, pembelajaran mesin amat berkait rapat dengan statistik inferensi, juga dikenali sebagai teori pembelajaran statistik. Dari segi reka bentuk algoritma, teori pembelajaran mesin memberi tumpuan kepada algoritma pembelajaran yang boleh dicapai dan berkesan. Banyak masalah inferens sukar untuk diikuti tanpa program, jadi sebahagian daripada penyelidikan pembelajaran mesin adalah untuk membangunkan algoritma anggaran yang boleh dikendalikan.
Pembelajaran mesin telah digunakan secara meluas dalam perlombongan data, penglihatan komputer, pemprosesan bahasa semula jadi, pengenalan biometrik, enjin carian, diagnosis perubatan, pengesanan penipuan kad kredit, analisis pasaran sekuriti, penjujukan urutan DNA, pengiktirafan pertuturan dan tulisan tangan, permainan strategik dan robot , dan lain-lain. .
Pembelajaran mesin mempunyai definisi berikut:
Definisi bahasa Inggeris yang sering disebut ialah: Program komputer dikatakan belajar daripada pengalaman E berkenaan dengan beberapa kelas tugasan T dan ukuran prestasi P, jika prestasinya pada tugasan dalam T, seperti yang diukur oleh P, bertambah baik dengan pengalaman E .
Pembelajaran mesin boleh dibahagikan kepada kategori berikut:
Perbezaan antara pembelajaran diselia dan pembelajaran tidak diselia ialah sama ada latihan yang ditetapkan sasaran dilabelkan oleh manusia. Kesemuanya mempunyai set latihan dan kedua-duanya mempunyai input dan output
Atas ialah kandungan terperinci Pembelajaran Mesin - Bermula. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!