Koneoppiminen

Koneoppiminen on tietojenkäsittelytieteen ala, joka tutkii algoritmeja ja tilastollisia malleja, joiden avulla järjestelmät voivat parantaa suoritustaan kokemuksesta ilman että ne on ohjelmoitu erityisesti tehtävään. Malli oppii löytämään kuvioita ja riippuvuuksia suuresta datamäärästä ja kykenee yleistämään uuteen dataan.

Koneoppiminen voidaan jakaa valvottuun oppimiseen, valvomattomaan oppimiseen ja vahvistusoppimiseen. Valvottu oppiminen sisältää luokittelun ja regression; valvomaton oppiminen keskittyy klusterointiin ja ulottuvuuden pienentämiseen; vahvistusoppiminen optimoidaan päätöksentekostrategioita vuorovaikutteisessa ympäristössä, kun tekoäly pyrkii maksimoimaan palkkionsa pitkällä aikavälillä.

Tunnettuja algoritmeja ovat muun muassa neuroverkot ja syväoppiminen, päätöspuut ja satunnaiset metsät, tuki-vektorikoneet sekä k-means-klusterointi. Datan ja mallin kehittämisessä korostuvat datan esikäsittely, ominaisuuksien valinta, koulutus, validointi ja testaus sekä käsitteet ylikoulutus ja yleistyminen.

Sovelluksia ovat esimerkiksi kuvan- ja puheentunnistus, luonnollisen kielen käsittely, suositusjärjestelmät sekä ennuste- ja optimointitehtävät taloudessa, teollisuudessa ja terveyshuollossa. Eettiset näkökohdat korostavat läpinäkyvyyttä, tulkittavuutta, yksityisyyden suojaa sekä vinoumien ja väärinkäytösten ehkäisyä. Alalla vaikuttavat ohjelmistokirjastot ja kehykset kuten TensorFlow ja PyTorch sekä suuret julkiset datavarannot.