Машинско учење

Машинско учење је подобласт вјештачке интелигенције чији је циљ конструисање 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.

Види још

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

Литература

• 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.
• MacKay, D.J.C. (2003). Information Theory, Inference, and Learning Algorithms, Cambridge University Press. ISBN 978-0-521-64298-9.
• 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.