Strojové učení

Strojové učení je podoblastí umělé inteligence, zabývající se algoritmy a technikami, které umožňují počítačovému systému 'učit se'. Učením v daném kontextu rozumíme takovou změnu vnitřního stavu systému, která zefektivní schopnost přizpůsobení se změnám okolního prostředí.

Strojové učení se značně prolíná s oblastmi statistiky a dobývaní znalostí a má široké uplatnění. Jeho techniky se využívají např. v biomedicínské informatice (tzv. systémy pro podporu rozhodování), rozlišení nelegálního užití kreditních karet, rozpoznávání řeči a psaného textu, či mnohé další.

[editovat] Základní rozdělení algoritmů učení

Algoritmy strojového učení lze podle způsobu učení rozdělit do následujících kategorii:

• učení s učitelem (en:supervised learning)
• učení bez učitele (en:unsupervised learning)
• kombinace učení s učitelem a bez učitele (en:semi-supervised learning)
• zpětnovazebné učení (en:reinforcement learning), též učení posilováním

[editovat] Podoblasti strojového učení

• Používané modely:
  • Rozhodovací stromy (en:Decision tree)
  • Algoritmus k-nejbližších sousedů (en:k-nearest neighbor algorithm)
  • Podpůrné vektory (en:Support vector machines), viz Support vector machines
  • Lineární diskriminační analýza (en:Linear discriminant analysis)
  • Kvadratická diskriminační analýza (en:Quadratic discriminant analysis)
  • Množina rozhodovacích pravidel
  • Perceptron (en:Perceptron)
  • Bayesovské sítě (en:Bayesian network)
  • Neuronové sítě (en:Artificial neural network)

• Techniky pro kombinaci více modelů (en:Meta learning (computer science))
  • Bootstrap aggregating (resp. zkratka Bagging) (en:Bootstrap aggregating)
  • Boosting (en:Boosting)
  • Stacking

• Testování přesnosti modelu:
  • Křížová validace (en:Cross-validation)
  • Bootstrap (en:Bootstrapping (statistics))

Tento článek je příliš stručný nebo neobsahuje důležité informace.
Pomozte Wikipedii tím, že jej vhodně rozšíříte nebo alespoň nahradíte tuto šablonu nějakou konkrétnější.

---