Koneoppiminen: sovita sääntö kaikkien tapausten ohjelmoinnin sijaan

Koneoppiminen (machine learning, ML) rakentaa malleja, joiden toiminta sovitetaan aineistosta. Kuvan tunnistamisen tai arvon ennustamisen kaikkien ehtojen ohjelmoinnin sijaan valitaan malliperhe ja oppimistavoite ja sovitetaan parametrit.

Tulos on edelleen laskentaa. Oppiminen muuttaa sitä, mistä toiminta tulee, ei matemaattisten operaatioiden noudattamista.

Ratkaiseva koe on uusi esimerkki

Malli voi muistaa koulutusesimerkit ja epäonnistua uusissa. Hyödyllinen saavutus on yleistäminen: sellaisten säännönmukaisuuksien hyödyntäminen, jotka pätevät myös sovitusaineiston ulkopuolella.

Siksi aineiston valinta, erillinen arviointi ja tavoite ovat tärkeitä algoritmin rinnalla. Täydellisesti optimoitu korviketavoitekin voi ennustaa sovelluksen kannalta väärää asiaa.

Ohjattu oppiminen käyttää tavoitetunnisteita, itseohjautuva oppiminen muodostaa kohteet aineistosta ja vahvistusoppiminen oppii vuorovaikutuksesta sekä palkkioista. Nämä ovat erilaisia oppimissignaaleja. Syväoppiminen on koneoppimisen osa-alue, jossa käytetään monikerroksisia neuroverkkoja.