masinaõppimist

Masinaõppimine on tehisintellekti valdkond, mis tegeleb algoritmide ja mudelite arendamisega, mis võimaldavad arvutitel andmetest õppida, teha ennustusi ja parendada toimivust ilma käsitsi kirjutatud reegliteta.

Peamised viisid on juhendatud õpe, juhendamata õpe ja tugevdav õpe. Juhendatud õpe kasutab märgistatud andmeid, juhendamata õpe leiab struktuure ning mustreid ilma nende märgistuseta, ning tugevdav õpe otsustab tegevusi tasu maksimeerimise või kulu vähendamise nimel.

Protsess hõlmab andmete kogumist ja ettevalmistust, mudeli valikut ja koolitust, seejärel hindamist ning juurutamist ja hooldust. Olulised mõisted on omadused ehk funktsioonid, mudeli märgendus, ning probleemid nagu üle- või alahindamine (overfitting/underfitting).

Tüüpilised algoritmid hõlmavad juhendatud õppes lineaarset ja logistilist regressiooni, otsustuspuud, juhuslikku mets ja gradient boosting; juhendamata õppes klasterdamist (K-means) ja dimensioonide vähendamist; sügava õppimise valdkonnas närvivõrke ja nende arhitektuure.

Rakendused hõlmavad pildituvastust, kõnetuvastust, tekstianalüüs, soovitussüsteeme, meditsiinilisi diagnoose ja finantsprognoose.

Eetika ja ühiskondlikud kaalutlused hõlmavad andmete privaatsust ja kvaliteeti, algoritmiline läbipaistvus ja selgitatavus ning potentsiaalset ebaõiglust ja diskrimineerimist.

Ajalooliselt kujunes masinaõppimine 1950ndatel, kui alustati arvutusliku õppimise uurimist; hilisematel aastatel arendati tehnikaid ning 2010ndatel sai sügava õppimise kasvav roll.