Tendința actuală a tehnologiei SMAC (Social, Mobile, Analytic, Cloud) deschide calea către un viitor în care mașinile inteligente, procesele în rețea și big data sunt reunite. Această lume virtuală a generat o cantitate mare de date care accelerează adoptarea soluțiilor și practicilor de învățare automată. Învățarea automată permite computerelor să imite și să adapteze comportamentul uman. Folosind învățarea automată, fiecare interacțiune, fiecare acțiune efectuată, devine ceva pe care sistemul îl poate învăța și poate folosi ca experiență pentru data viitoare.
Învățarea ca proces generic înseamnă dobândirea de noi cunoașteri sau modificarea comportamentelor, valorilor, cunoștințelor, abilităților sau preferințelor existente. Behaviorismul, cognitivismul, constructivismul, experiențialismul și învățarea socială definesc teoria învățării personale, adică modul în care oamenii învață. Mașinile se bazează pe date, spre deosebire de ceea ce vine în mod natural oamenilor: învățarea din experiență. La un nivel fundamental, învățarea automată (ML) este o categorie de inteligență artificială care permite computerelor să gândească și să învețe singure. Este vorba despre a face computerele să își modifice acțiunile pentru a îmbunătăți acțiunile pentru a obține mai multă acuratețe, unde acuratețea este măsurată în funcție de numărul de ori în care acțiunile alese rezultă în cele corecte.
Cercetătorii au definit formal ML în literatura de specialitate. Termenul a fost inventat de Arthur Samuel în 1959, care a definit ML ca un domeniu de studiu care oferă computerelor capacități de învățare fără a fi programate în mod explicit [1]. Mai recent, Tom Mitchell a dat o definiție „bine formulată” care s-a dovedit mai utilă la configurația inginerească: „Se spune că un program de calculator învață din experiența E în ceea ce privește o sarcină T și o anumită măsură de performanță P, dacă performanța sa pe T, măsurată de P, se îmbunătățește cu experiența E [2]”
Învățarea automată este un domeniu multidisciplinar cu o gamă largă de domenii de cercetare care îi consolidează existența. Acestea sunt așa cum se arată în figura 1 următoare.
Simularea modelelor ML este semnificativ legată de statistica computațională al cărei scop principal este să se concentreze pe realizarea de predicții prin intermediul computerelor. De asemenea, este corelat cu optimizarea matematică, care leagă modele, aplicații și cadre de domeniul statisticii.
Problemele din lumea reală au o complexitate ridicată, ceea ce le face candidați excelenți pentru aplicarea ML. Învățarea automată poate fi aplicată în diferite domenii ale calculului pentru a proiecta și programa algoritmi expliciți cu rezultate de înaltă performanță, de exemplu, filtrarea spam-ului prin e-mail, detectarea fraudei pe rețeaua socială, tranzacționarea bursiereă online, detectarea feței și formelor, diagnosticare medicală, predicție de trafic, recunoașterea caracterelor și recomandarea produselor, printre altele. Mașinile Google care se conduc singure, Netflix care prezintă filmele și emisiunile care le-ar putea plăcea unei persoane, motoare de recomandare online, cum ar fi sugestiile prietenilor pe Facebook, „mai multe articole de luat în considerare” și „luați-vă ceva” pe Amazon și detectarea fraudei cu cardul de credit, sunt toate exemple reale de aplicare a învățării automate.
(Fig.1. Învățarea automată multidisciplinară)
Sursa: Jafar Alzubi et al 2018 J. Phys.: Conf. Ser. 1142 012012, licența CC BY 3.0. Traducere: Nicolae Sfetcu
Lasă un răspuns