masinaõppepõhist

Masinaõppepõhist viitab tehnoloogiatele ja meetoditele, mis võimaldavad arvutisüsteemidel õppida andmetest ilma otsese programmeerimiseta. See tähendab, et algoritmid kohandavad oma käitumist ja parandavad jõudlust aja jooksul, kui nad puutuvad kokku üha suurema hulga andmetega. Masinaõppe peamine eesmärk on arendada süsteeme, mis suudavad tuvastada mustreid, teha ennustusi või võtta vastu otsuseid kogutud andmete põhjal.

Masinaõppe valdkond jaguneb mitmeks alaliigiks. Juhendatud õppimine (supervised learning) hõlmab treenimist märgistatud andmetega, kus iga sisend on seotud õige väljundiga. Näiteks võib see hõlmata piltide klassifitseerimist või kahjuliku e-kirja tuvastamist. Juhendamata õppimine (unsupervised learning) tegeleb märgistamata andmetega, otsides neist peidetud struktuure ja suhteid, nagu näiteks andmete klasterdamine või anomaaliate tuvastamine. Pooljuhendatud õppimine (semi-supervised learning) kasutab väikest kogust märgistatud andmeid koos suurema koguse märgistamata andmetega. Tugevdusõpe (reinforcement learning) põhineb agentide õppimisel keskkonnas tegutsemise ja saadud tasude või karistuste kaudu, sarnaselt inimese õppimisega kogemuse kaudu.

Masinaõppe rakendused on laialt levinud erinevates valdkondades, sealhulgas meditsiin, rahandus, transport, meelelahutus ja turvalisus. Näiteks kasutatakse seda inimkõne ja piltide tuvastamisel, soovitusmootorites (nt Netflix või Amazon), finantsriskide hindamisel, autonoomsetes sõidukites ja meditsiinidiagnostikas. Masinaõppe pidev areng on muutnud oluliselt viisi, kuidas me tehnoloogiaga suhtleme ja kuidas ettevõtted oma tegevust korraldavad.