Masinõppemeetodite

Masinõppemeetodid on arvutiteaduse valdkond, mis tegeleb algoritmide ja mudelite loomisega, mis võimaldavad arvutisüsteemidel õppida andmetest ja teha ennustusi või otsuseid ilma otseselt programmeerimata. Need meetodid jagunevad üldiselt kolme põhikategooriasse: juhendatud õppimine, juhendamata õppimine ja tugevdamisõppimine.

Juhendatud õppimises antakse mudelile sisendandmed ja vastavad õiged väljundid. Eesmärk on, et mudel õpiks seoseid sisendite ja väljundite vahel, et saaks tulevikus uusi, nägemata andmeid töödelda. Levinud juhendatud õppimise ülesanded on klassifitseerimine (nt. meili spamiks või mitte-spammiks tuvastamine) ja regressioon (nt. eluaseme hinna ennustamine).

Juhendamata õppimises antakse mudelile ainult sisendandmed, ilma eelnevalt määratletud väljunditeta. Mudeli ülesanne on leida andmetes olevad mustrid, struktuurid või seosed. Klasterdamine (nt. klientide rühmitamine turunduse eesmärgil) ja dimensionaalsuse vähendamine (nt. andmete visualiseerimiseks) on tüüpilised juhendamata õppimise rakendused.

Tugevdusõppimine hõlmab agenti, mis õpib keskkonnas tegutsedes ja saadud tasude või karistuste kaudu. Agent teeb otsuseid, et maksimeerida oma kumulatiivset tasu aja jooksul. Seda meetodit kasutatakse sageli mängude mängimiseks (nt. male või Go) ja robotite juhtimiseks.

Populaarsete masinõppemeetodite hulka kuuluvad lineaarsed mudelid, tugivektorid, otsustuspuud, juhuslikud metsad, k-lähimad naabrid, närvivõrgud ja süvaõppe mudelid. Meetodi valik sõltub suuresti probleemist, andmete tüübist ja soovitud tulemustest. Masinõppemeetodite rakendused on laialt levinud erinevates valdkondades, sealhulgas tervishoius, rahanduses, transpordis ja meelelahutuses.