Pembelajaran mesin memiliki definisi berikut:
Pembelajaran mesin adalah ilmu kecerdasan buatan, dan objek penelitian utama di bidang ini adalah kecerdasan buatan, terutama bagaimana meningkatkan kinerja algoritma tertentu dalam pembelajaran empiris.
Pembelajaran mesin adalah studi tentang algoritma komputer yang dapat ditingkatkan secara otomatis melalui pengalaman.
Pembelajaran mesin adalah penggunaan data atau pengalaman masa lalu untuk mengoptimalkan kriteria kinerja program komputer.
Definisi 2
Pembelajaran mesin mengacu pada kumpulan algoritme tujuan umum yang dapat membantu Anda menemukan bagian data yang menarik tanpa menulis solusi masalah khusus.
Misalnya, klasifikasi besar dari algoritma adalah algoritma klasifikasi, yang dapat mengklasifikasikan data ke dalam kombinasi yang berbeda. Algoritma yang dapat digunakan untuk mengenali angka tulisan tangan secara alami juga dapat digunakan untuk mengenali spam, tetapi metode penggalian fitur datanya berbeda. Algoritma yang sama dapat digunakan untuk memproses logika klasifikasi yang berbeda dengan memasukkan data yang berbeda.
Klasifikasi
Klasifikasi umum pembelajaran mesin: pembelajaran terawasi, pembelajaran tanpa pengawasan, pembelajaran semi-diawasi, pembelajaran penguatan.
Pembelajaran yang diawasi: Sebuah fungsi dipelajari dari kumpulan data pelatihan yang diberikan, dan ketika data baru tiba, hasilnya dapat diprediksi berdasarkan fungsi ini. (Latih jaringan menggunakan contoh jawaban benar yang diketahui)
Pembelajaran tanpa pengawasan: Dibandingkan dengan pembelajaran yang diawasi, set pelatihan tidak memiliki hasil yang diberi label manusia. (untuk kasus di mana Anda memiliki kumpulan data tetapi tidak ada label)
Pembelajaran semi-diawasi: antara pembelajaran terawasi dan pembelajaran tanpa pengawasan. (menggabungkan banyak data tidak berlabel dan sejumlah kecil data berlabel)
Penguatan Belajar: Belajar bagaimana bertindak melalui observasi. (untuk kasus di mana Anda tidak melabeli dataset lagi)
algoritma
Membangun distribusi teoretis interval: analisis klaster dan pengenalan pola
Jaringan saraf tiruan
pohon keputusan
sensor
Mendukung Mesin Vektor
Ensemble Learning AdaBoost
Pengurangan Dimensi dan Pembelajaran Metrik
kekelompokan
Pengklasifikasi Bayesian
Membangun Peluang Bersyarat: Analisis Regresi dan Klasifikasi Statistik
Regresi Proses Gaussian
Analisis Diskriminan Linier
hukum tetangga terdekat
Kernel Fungsi Basis Radial
Bangun fungsi kepadatan probabilitas dari model regenerasi:
Algoritma Ekspektasi Maksimum
Model grafis probabilistik: termasuk jaring Bayesian dan bidang acak Markov
Pemetaan Topografi Generatif
Teknik inferensi perkiraan:
rantai markov
Metode Monte Carlo
Variasi
Optimasi: Sebagian besar metode di atas, secara langsung atau tidak langsung menggunakan algoritma optimasi