koneoppimismenetelmistä

Koneoppimismenetelmät ovat algoritmeja ja tilastollisia malleja, joita tietokonejärjestelmät käyttävät parantamaan suorituskykyään tietyssä tehtävässä datan avulla ilman eksplisiittistä ohjelmointia. Ne voidaan jakaa karkeasti kolmeen päätyyppiin: ohjattuun oppimiseen, ohjaamattomaan oppimiseen ja vahvistusoppimiseen.

Ohjatussa oppimisessa algoritmille syötetään merkittyä dataa, eli dataa, jossa on sekä syötteet että vastaavat oikeat tulokset. Tavoitteena on oppia funktio, joka pystyy ennustamaan tuloksen uusille, aiemmin näkemättömille syötteille. Esimerkkejä ohjatun oppimisen menetelmistä ovat lineaariset regressiot, logistiset regressiot, tukivektorikoneet ja päätöspuut.

Ohjaamattomassa oppimisessa algoritmille syötetään merkitsemätöntä dataa, ja sen tehtävänä on löytää datasta piileviä rakenteita tai malleja. Tyypillisiä tehtäviä ovat klusterointi, jossa data jaetaan ryhmiin samankaltaisten piirteiden perusteella, ja dimensionaalisuuden vähentäminen, jossa monimutkainen data esitetään yksinkertaisemmassa muodossa säilyttäen olennaiset tiedot. Esimerkkejä ovat k-means -klusterointi ja pääkomponenttianalyysi.

Vahvistusoppimisessa agentti oppii toimimaan ympäristössä yrityksen ja erehdyksen kautta. Agentti saa palkintoja tai rangaistuksia tekemistään toimista, ja sen tavoitteena on maksimoida kumulatiivinen palkinto ajan mittaan. Tätä menetelmää käytetään usein robotiikassa, pelien pelaamisessa ja autonomisissa järjestelmissä. Keskeisiä konsepteja ovat tilat, toiminnot, palkinnot ja politiikat.