Strojno učenje

Strojno učenje (angleško Machine Learning, nemško Maschinelles Lernen) pomeni pridobivanje znanja na podlagi izkušenj. Ne gre za učenje na pamet, ampak za iskanje pravil v učnih podatkih. Tako lahko dobimo odgovor tudi na vprašanje, ki ni sodelovalo pri učenju. Nabolj znani predstavniki strojnega učenja so nevronske mreže, metoda podpornih vektorjev in skriti model Markova.

Vrste strojnega učenja

Glede nadzora je lahko učenje:

• Nadzorovano učenje (supervised learnig): Algoritem uči stroj s podanimi pari vhodnih in želenih izhodnih podatkov. Pri tem želene izhodne vrednosti določa učitelj, oz. človek - nadzornik.
• Nenadzorovano učenje (unsupervised learning): Algoritem razdeli dane vhodne podatke, po svojih kriterijih, v več kategorij, ki imajo svoje značilnosti. To se imenuje rojenje (clustering). Število kategorij in njihove značilnosti izlušči algoritem iz vhodnih podatkov, brez nadzora učitelja.
• Vzpodbujevalno učenje (reinforcement learning): Algoritem uči z nagrajevanjem in kaznovanjem. To je taktika za maksimiranje uporabnosti agenta.

Glede adaptivnosti je lahko učenje:

• Ofline učenje: Celotno učenje stroja se izvede preden začnemo stroj uporabljati.
• Inkrementalno učenje: Stroj učimo ofline in uporabljamo. Ko med uporabo zaznamo težave, opravimo dodatno učenje.
• Online učenje: Najprej izvedemo ofline učenje z manjšim naborom učnih vzorcev. Med uporabo stroj sproti sproti dodatno učimo z dodatnimi vzorci.

Glej tudi

• podatkovno rudarjenje
• genetsko programiranje