ML machine

Sommige machinale leermethoden
Algoritmen voor machine learning worden vaak gecategoriseerd als onder toezicht of zonder toezicht.

Algoritmen voor machinaal leren onder toezicht kunnen wat in het verleden is geleerd toepassen op nieuwe gegevens met behulp van gelabelde voorbeelden om toekomstige gebeurtenissen te voorspellen. Uitgaande van de analyse van een bekende trainingsdataset, produceert het leeralgoritme een afgeleide functie om voorspellingen te doen over de outputwaarden. Het systeem kan na voldoende training doelen stellen voor elke nieuwe input. Het leeralgoritme kan ook zijn output vergelijken met de juiste, beoogde output en fouten vinden om het model dienovereenkomstig aan te passen.

Daarentegen worden niet-gecontroleerde machine learning-algoritmen gebruikt wanneer de informatie die wordt gebruikt om te trainen niet is geclassificeerd of gelabeld. Unsupervised learning bestudeert hoe systemen een functie kunnen afleiden om een ​​verborgen structuur te beschrijven uit ongelabelde data. Het systeem vindt niet de juiste uitvoer, maar het verkent de gegevens en kan conclusies trekken uit gegevenssets om verborgen structuren van niet-gelabelde gegevens te beschrijven.

Semi-gesuperviseerde machine learning-algoritmen vallen ergens tussen gesuperviseerd en niet-gesuperviseerd leren, omdat ze zowel gelabelde als niet-gelabelde gegevens gebruiken voor training – meestal een kleine hoeveelheid gelabelde gegevens en een grote hoeveelheid niet-gelabelde gegevens. De systemen die deze methode gebruiken, kunnen de leernauwkeurigheid aanzienlijk verbeteren. Gewoonlijk wordt gekozen voor semi-gesuperviseerd leren wanneer de verworven gelabelde gegevens bekwame en relevante middelen vereisen om het te trainen / ervan te leren. Anders vereist het verkrijgen van niet-gelabelde gegevens over het algemeen geen extra middelen.

Reinforcement machine learning-algoritmen zijn een leermethode die interageert met zijn omgeving door acties te produceren en fouten of beloningen te ontdekken. Trial-and-error zoeken en uitgestelde beloning zijn de meest relevante kenmerken van versterkend leren. Met deze methode kunnen machines en softwareagenten automatisch het ideale gedrag binnen een specifieke context bepalen om de prestaties te maximaliseren. Eenvoudige feedback over beloningen is nodig om de agent te laten weten welke actie het beste is; dit staat bekend als het versterkingssignaal.

Machine learning maakt analyse van enorme hoeveelheden gegevens mogelijk. Hoewel het over het algemeen snellere, nauwkeurigere resultaten oplevert om winstgevende kansen of gevaarlijke risico’s te identificeren, kan het ook extra tijd en middelen vergen om het goed te trainen. Door machine learning te combineren met AI en cognitieve technologieën kan het nog effectiever worden in het verwerken van grote hoeveelheden informatie.

ml machine