masinaõppimises

Masinaõppimine on tehisintellekti valdkond, mis keskendub algoritmide väljatöötamisele ja kasutamisele, et arvutid saaksid andmetest õppida ning teha järeldusi või otsuseid ilma käsitsi programmeerimisega. Eesmärk on arendada mudeleid, mis suudaksid üldistada uutele andmetele ning parandada oma toimivust kogemuse kaudu.

Peamised õppemeetodid on juhendatud õpe (supervised learning), juhendamata õpe (unsupervised learning) ja tugevdusõpe (reinforcement learning). Pooljuhendatud õpe ja teatud enesejuhitud lähenemised on olulised ning nende uurimine aitab kasutada piiratud märgitud andmetel.

Levinumad algoritmid hõlmavad lineaarset ja logistilist regressiooni, k-NN-i (k-nearest neighbours), otsustuspuud, juhuslikku metsa, gradient boostingi, toetuste vektorimasinaid (SVM) ja klasterdamiseks kasutatakse k-meansi algoritmi. Sügavõpe koos närvivõrkudega on leidnud laialdast rakendust keerukamate ülesannete jaoks.

Õpe hõlmab andmete kogumist ja eeltööd ning mudeli koolitamist. Hindamiseks jagatakse andmed koolitus- ja testkomplektideks ning kasutatakse ristvalideerimist ning hindamiskriteeriume nagu täpsus, F1-skoor ja RMSE. Üleõppimise ja andmete kallutatuse vältimiseks rakendatakse standardseid tehnikaid.

Rakendused hõlmavad pilditöötlust, kõnetuvastust, loomuliku keele töötlemist ning soovitus- ja finantssüsteeme. Eetilised ja õiguslikud kaalutlused, andmete privaatsus, kaasatus ja algoritmide läbipaistvus on masinõppe arenduses olulised ning ohutuse tagamiseks on oluline aruandlikkus.