Станува збор за област што се темели на две други научни дисциплини – пред сè на математиката и на компјутерските науки. Како што и самиот назив сугерира, оваа технологија се потпира на способноста на машината (компјутерот) автоматски да учи обрасци врз основа на претходно собрани податоци.
Но, што точно значи дека компјутерот „учи“? Всушност, не учи самиот компјутер, туку програмата или збирот на апликации кои заедно сочинуваат систем што се извршува на него. Развојот на вакви апликации без разлика дали функционираат на класични компјутери, мобилни уреди или моќни сервери, бара познавање на специфични алатки и програмски јазици.
Истото важи и за апликациите кои користат машинско учење. Тие можат да се развиваат во различни програмски јазици, а сè почесто се достапни и како готови решенија („out of the box“), понудени од компании како OpenAI, и од големите cloud провајдери како Amazon, Azure и Google.
Во контекстот на машинското учење, терминот „out of the box“ означува однапред подготвено решение што не бара значителни прилагодувања пред употреба. Тоа значи дека моделот е веќе конфигуриран и оптимизиран да функционира во општи услови, без дополнително доработување.
Со помош на машинското учење, разни видови податоци можат да се трансформираат во конкретно знаење. Моделите на машинско учење служат за автоматско откривање обрасци во податоци со различна сложеност. Кога податоците имаат многу димензии (променливи), рачното откривање на тие обрасци би било речиси невозможно.
Видови на машинско учење
Во рамки на машинското учење постојат бројни пристапи кои се применуваат за решавање на различни проблеми. Најопшто, се издвојуваат четири главни типови:
-Надгледувано учење (Supervised learning)
-Ненадгледувано учење (Unsupervised learning)
-Полунадгледувано учење (Semi-supervised learning)
-Учење преку засилување (Reinforcement learning)
Надгледуваното и ненадгледуваното учење се најчесто користените и веќе добро истражени методи. Полунадгледуваното учење и учењето преку засилување се понови и имаат посложени пристапи, но во многу случаи даваат извонредни резултати.
Во заедницата што се занимава со машинско учење, често се спомнува т.н. „No Free Lunch“ теорија, која вели дека не постои еден универзален алгоритам што подеднакво добро ги решава сите видови проблеми. Секој проблем има свои специфики, поради што постои голем број на алгоритми, број што постојано расте бидејќи моделите сè повеќе се прилагодуваат на конкретни потреби и предизвици.
Извор: web-mind.rs
