Vélanámsaðferðir

Vélanámsaðferðir eru samansafn tölvunarfræðilegra aðferða sem leitast við að gera tölvum kleift að læra af gögnum og bæta eða taka ákvarðanir án þess að vera þvingaðar til að fylgja nákvæmri skipun fyrir hverja aðgerð. Á grundvelli tölfræðilegra aðferða greina þær mynstur, læra reglur og þróa spár sem byggja á reynslu úr viðfangsefninu.

Helstu flokkarnir eru stýrt nám (supervised learning), þar sem gögn eru merkt og aðferðir eins og flokkun (classification) og aðhvarf (regression) læra útlit eða tölulegar nálganir. Óstýrt nám (unsupervised learning) vinnur með gögn án merkja og innifelur klústerun (clustering) og lækkun víddar (dimensionality reduction). Semi-stýrt og sjálfstýrt nám eru einnig notuð í suma verkefni.

Djúp-nám (deep learning) byggir á djúpum taugakerfum og nýttist vel í flóknum verkefnum eins og mynd- og talgreiningu. Styrkt-nám (reinforcement learning) lærir að stjórna kerfum í samverkan við umhverfið með umbun. Algengar aðferðir utan djúp-náms eru ákvörðunartré, random forests, gradient boosting og stuðningsvigrar (SVM).

Notkun vélanámsaðferða nær yfir mörg svið: mynd- og talgreiningu, náttúrulegt mál (NLP), ráðgefikerfi, forspárgreiningu og gæðavöktun í framleiðslu. Mikilvægt er að huga að gæðum gagna, forðast fordóma og persónuvernd, og að réttlæta og meta árangur kerfa með gagnrýnni mat á skilvirkni og öryggi. Þróun krefst gagnsæis og endurmatsetninga.