Strojno učenje: Razlika med redakcijama
Izbrisana vsebina Dodana vsebina
m robot Dodajanje: nl Spreminjanje: vi |
m jeziki |
||
Vrstica 1: | Vrstica 1: | ||
'''Strojno učenje''' ([[angleško]] ''Machine Learning'', [[nemško]] ''Maschinelles Lernen'') pomeni pridobivanje [[znanje|znanja]] na podlagi [[izkušnja|izkušenj]]. Ne gre za učenje na pamet, ampak za iskanje [[pravilo|pravil]] v učnih [[podatek|podatkih]]. Tako lahko dobimo odgovor tudi na vprašanje, ki ni sodelovalo pri učenju. Dva nabolj znana predstavnika strojnega učenja sta [[nevronska mreža|nevronske mreže]] in [[skriti model Markova]]. |
'''Strojno učenje''' ([[anlgleščina|angleško]] ''Machine Learning'', [[nemščina|nemško]] ''Maschinelles Lernen'') pomeni pridobivanje [[znanje|znanja]] na podlagi [[izkušnja|izkušenj]]. Ne gre za učenje na pamet, ampak za iskanje [[pravilo|pravil]] v učnih [[podatek|podatkih]]. Tako lahko dobimo odgovor tudi na vprašanje, ki ni sodelovalo pri učenju. Dva nabolj znana predstavnika strojnega učenja sta [[nevronska mreža|nevronske mreže]] in [[skriti model Markova]]. |
||
== Vrste strojnega učenja == |
== Vrste strojnega učenja == |
Redakcija: 19:02, 1. marec 2006
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. Dva nabolj znana predstavnika strojnega učenja sta nevronske mreže in skriti model Markova.
Vrste strojnega učenja
Učenje je lahko nadzorovano ali nenadzorovano.
- 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.
- Nenadzorvano učenje (unsupervised laerning): 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.
- Okrepčevalno učenje (reinforcement learning): Algoritem uči z nagrajevanjem in kaznovanjem. To je taktika za maksimiranje uporabnosti agenta.