masinõppest

Masinõpe on tehisintellekti haru, mis keskendub suurte andmekogumite põhjal mustrite leidmisele ja nende mustrite põhjal uute andmete kohta ennustuste või otsuste tegemisele. Mudelid õpivad tavaliselt kirjeldama andmete korrelatsioone ja seoseid, ilma et iga otsus oleks eraldi käsitsi programmeeritud. Selle areng võimaldab süsteeme, mis paraneb kogemuse kasvades ja mida on võimalik rakendada laias valikus valdkondades.

Peamised lähenemised on juhitud õppimine (supervised learning), juhita õppimine (unsupervised learning) ja tugevdusõppimine (reinforcement learning). Juhitud õppimisel kasutatakse märgistatud andmeid ning mudel õpib seoseid sisendi ja õige väljundi vahel. Juhita õppimine otsib andmetest struktuuri, grupeerib andmeid või leiab peamised tunnused ilma märgendita. Tugevdusõppimine õpetab agenti maksimeerima tasu läbi toimingute ja tagasiside keskkonnast.

Treening ja hindamine hõlmavad andmete jagamist arenduse- ja testkomplektidesse, mudeli optimeerimist, sageli gradientide languse meetodil, ning regulaariseerimist üleõppimise vältimiseks. Tüüpilised meetodid ja tööriistad hõlmavad närvivõrke ja sügavõpet, klassifitseerimist, regressiooni, klasterdamist (nt k-means) ning erinevaid ensemble-meetodeid. Suur osa kaasaegset masinõpet baseerub suurtele andmekogumitele ja võimsale arvutuskapasiteedile, kasutades kaasaegseid raamistikud nagu TensorFlow või PyTorch.

Rakendused hõlmavad arvutinägemist, kõnetuvastust, loomuliku keele töötlemist, soovitussüsteeme, meditsiinilist diagnostikat ja finantsanalüüsi. Väljakutsed puudutavad data privaatsust ja eetikat, mudelite läbipaistvust, biasi vähendamist ning reeglitega kooskõla tagamist.