Машинско учење

Машинско учење (енгл. Machine learning, ML) је подобласт вештачке интелигенције чији је циљ конструисање статистичких алгоритама и рачунарских система који су способни да се адаптирају на аналогне нове ситуације и уче на бази искуства. Развијене су различите технике учења за извршавање различитих задатака. Прве које су биле предмет истраживања, тичу се надгледаног учења за дискреционо доношење одлука, надгледаног учења за континуирано предвиђање и појачано учење за секвенционално доношење одлука, као и ненадгледано учење. До сада најбоље схваћен од свих наведених задатака је одлучивање преко једног покушаја (енгл. one-shot learning). Рачунару је дат опис једног објекта (догађаја или ситуације) и од њега се очекује да као резултат избаци класификацију тог објекта. На примјер, програм за препознавање алфанумеричких знакова као улазну вриједност има дигитализовану слику неког алфанумеричког знака и као резултат треба да избаци његово име.

Алгоритми машинског учења могу да уче из података и генерализују на невидљиве податке, и на тај начин обављају задатке без експлицитних упутстава. Недавно су вештачке неуронске мреже успеле да надмаше многе претходне приступе у погледу перформанси. Приступи машинском учењу су примењени у многим областима укључујући обраду природног језика, компјутерски вид, препознавање говора, филтрирање електронске поште, пољопривреду и медицину. ML је познато по својој примени на пословне проблеме под називом предиктивна аналитика. Иако није свако машинско учење статистички засновано, рачунарска статистика је важан извор метода у овој области.

Математичке основе машинског учења су обезбеђене методама математичке оптимизације (математичко програмирање). Истраживање података је сродна (паралелна) област проучавања, која се фокусира на истраживачку анализу података кроз учење без надзора. Са теоријске тачке гледишта, вероватно приближно тачно учење пружа оквир за описивање машинског учења.

Историја

The term machine learning was coined in 1959 by Arthur Samuel, an IBM employee and pioneer in the field of computer gaming and artificial intelligence. The synonym self-teaching computers was also used in this time period.

Although the earliest machine learning model was introduced in the 1950s when Arthur Samuel invented a program that calculated the winning chance in checkers for each side, the history of machine learning roots back to decades of human desire and effort to study human cognitive processes. In 1949, Canadian psychologist Donald Hebb published the book The Organization of Behavior, in which he introduced a theoretical neural structure formed by certain interactions among nerve cells. Hebb's model of neurons interacting with one another set a groundwork for how AIs and machine learning algorithms work under nodes, or artificial neurons used by computers to communicate data. Other researchers who have studied human cognitive systems contributed to the modern machine learning technologies as well, including logician Walter Pitts and Warren McCulloch, who proposed the early mathematical models of neural networks to come up with algorithms that mirror human thought processes.

By the early 1960s an experimental "learning machine" with punched tape memory, called Cybertron, had been developed by Raytheon Company to analyze sonar signals, electrocardiograms, and speech patterns using rudimentary reinforcement learning. It was repetitively "trained" by a human operator/teacher to recognize patterns and equipped with a "goof" button to cause it to re-evaluate incorrect decisions. A representative book on research into machine learning during the 1960s was Nilsson's book on Learning Machines, dealing mostly with machine learning for pattern classification. Interest related to pattern recognition continued into the 1970s, as described by Duda and Hart in 1973. In 1981 a report was given on using teaching strategies so that an artificial neural network learns to recognize 40 characters (26 letters, 10 digits, and 4 special symbols) from a computer terminal.

Tom M. Mitchell provided a widely quoted, more formal definition of the algorithms studied in the machine learning field: "A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P if its performance at tasks in T, as measured by P, improves with experience E." This definition of the tasks in which machine learning is concerned offers a fundamentally operational definition rather than defining the field in cognitive terms. This follows Alan Turing's proposal in his paper "Computing Machinery and Intelligence", in which the question "Can machines think?" is replaced with the question "Can machines do what we (as thinking entities) can do?".

Modern-day machine learning has two objectives. One is to classify data based on models which have been developed; the other purpose is to make predictions for future outcomes based on these models. A hypothetical algorithm specific to classifying data may use computer vision of moles coupled with supervised learning in order to train it to classify the cancerous moles. A machine learning algorithm for stock trading may inform the trader of future potential predictions.

Види још

• Алгоритам
• Вјештачка интелигенција
• Формалистичка теорија процеса учења природних језика
• Когниција

Литература

• Domingos, Pedro (22. 9. 2015). The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Basic Books. ISBN 978-0465065707. CS1 одржавање: Формат датума (веза)
• Nilsson, Nils (1998). Artificial Intelligence: A New Synthesis. Morgan Kaufmann. ISBN 978-1-55860-467-4. Архивирано из оригинала 26. 7. 2020. г. Приступљено 18. 11. 2019. CS1 одржавање: Формат датума (веза)
• Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach. New York: Oxford University Press. ISBN 978-0-19-510270-3. Архивирано из оригинала 26. 7. 2020. г. Приступљено 22. 8. 2020. CS1 одржавање: Формат датума (веза)
• Nils J. Nilsson, Introduction to Machine Learning Архивирано 2019-08-16 на сајту Wayback Machine.
• David J. C. MacKay. Information Theory, Inference, and Learning Algorithms Архивирано 2016-02-17 на сајту Wayback Machine Cambridge: Cambridge University Press, 2003. ISBN 0-521-64298-1
• Stuart Russell & Peter Norvig, (2009). Artificial Intelligence – A Modern Approach Архивирано 2011-02-28 на сајту Wayback Machine. Pearson, ISBN 9789332543515.
• Kevin P. Murphy (2021). Probabilistic Machine Learning: An Introduction Архивирано 2021-04-11 на сајту Wayback Machine, MIT Press.
• Sergios Theodoridis, Konstantinos Koutroumbas (2009) "Pattern Recognition", 4th Edition, Academic Press. ISBN 978-1-59749-272-0.
• Ethem Alpaydın (2004) Introduction to Machine Learning (Adaptive Computation and Machine Learning), MIT Press, ISBN 978-0-262-01211-9
• Bing Liu (2007), Web Data Mining: Exploring Hyperlinks, Contents and Usage Data. Springer, ISBN 978-3-540-37881-5
• Toby Segaran, Programming Collective Intelligence, O'Reilly ISBN 978-0-596-52932-1
• Ray Solomonoff, "An Inductive Inference Machine" A privately circulated report from the 1956 Dartmouth Summer Research Conference on AI.
• Ray Solomonoff, An Inductive Inference Machine, IRE Convention Record, Section on Information Theory, Part 2, pp., 56-62, 1957.
• Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1983), Machine Learning: An Artificial Intelligence Approach, Tioga Publishing Company, ISBN 978-0-935382-05-1.
• Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1986), Machine Learning: An Artificial Intelligence Approach, Volume II, Morgan Kaufmann, ISBN 978-0-934613-00-2.
• Yves Kodratoff, Ryszard S. Michalski (1990), Machine Learning: An Artificial Intelligence Approach, Volume III, Morgan Kaufmann, ISBN 978-1-55860-119-2.
• Ryszard S. Michalski, George Tecuci (1994), Machine Learning: A Multistrategy Approach, Volume IV, Morgan Kaufmann, ISBN 978-1-55860-251-9.
• Bishop, C.M. (1995). Neural Networks for Pattern Recognition, Oxford University Press. ISBN 978-0-19-853864-6.
• Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern classification (2nd edition), Wiley, New York, ISBN 978-0-471-05669-0.
• Huang T.-M., Kecman V., Kopriva I. (2006), Kernel Based Algorithms for Mining Huge Data Sets, Supervised, Semi-supervised, and Unsupervised Learning, Springer-Verlag, Berlin, Heidelberg, 260 pp. 96 illus., Hardcover, ISBN 978-3-540-31681-7.
• KECMAN Vojislav (2001), Learning and Soft Computing, Support Vector Machines, Neural Networks and Fuzzy Logic Models, The MIT Press, Cambridge, MA, 608 pp., 268 illus., ISBN 978-0-262-11255-0.
• Ian H. Witten and Eibe Frank Data Mining: Practical machine learning tools and techniques Morgan Kaufmann ISBN 978-0-12-088407-0.
• Sholom Weiss and Casimir Kulikowski (1991). Computer Systems That Learn, Morgan Kaufmann. ISBN 978-1-55860-065-2.
• Mierswa, Ingo and Wurst, Michael and Klinkenberg, Ralf and Scholz, Martin and Euler, Timm: YALE: Rapid Prototyping for Complex Data Mining Tasks, in Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD-06), 2006.
• Trevor Hastie, Robert Tibshirani and Jerome Friedman (2001). The Elements of Statistical Learning, Springer. ISBN 978-0-387-95284-0.
• Vladimir Vapnik (1998). Statistical Learning Theory. Wiley-Interscience, ISBN 978-0-471-03003-4.

Спољашње везе

• International Machine Learning Society
• mloss is an academic database of open-source machine learning software.