el del para el diario, considera el aprendizaje de máquina (diario) . Como subcampo amplio de la inteligencia artificial, el aprendizaje de máquina del se refiere al diseño y al desarrollo de los algoritmos y de las técnicas que permiten las computadoras al " learn". En un nivel general, hay dos tipos de aprendizaje: inductivo, y deductivo. Reglas del extracto de los métodos del aprendizaje de máquina y patrones inductivos fuera de conjuntos de datos masivos.

El foco principal de la investigación del aprendizaje de máquina es extraer la información de datos automáticamente, por métodos de cómputo y estadísticos. Por lo tanto, el aprendizaje de máquina es estrechamente vinculado no sólo a la explotación minera de datos y a las estadísticas, pero también al de informática teórico.

El aprendizaje de máquina tiene una amplia gama de usos incluyendo el proceso de lenguaje natural, el reconocimiento de patrón sintáctico, los motores de la búsqueda, la diagnosis médica, la bioinformática y el Cheminformatics, detectando el fraude de la tarjeta de crédito, el análisis de la bolsa, clasificando el discurso de las secuencias de la DNA y el reconocimiento del cursivo, el reconocimiento de objeto en la visión de computadora, el juego que juega y la locomoción de la robusteza.

Interacción humana

Una cierta tentativa de los sistemas de aprendizaje de máquina de eliminar la necesidad de la intuición humana en el análisis de los datos, mientras que otros adoptan un acercamiento de colaboración entre el hombre y la máquina. La intuición humana no puede ser eliminada enteramente puesto que el diseñador del sistema debe especificar cómo los datos deben ser representados y qué mecanismos serán utilizados para buscar para una caracterización de los datos. El aprendizaje de máquina se puede ver como tentativa de automatizar las partes del método científico .

Algunos investigadores estadísticos del aprendizaje de máquina crean métodos en el marco de las estadísticas Bayesian .

¡El algoritmo mecanografía

Los algoritmos del aprendizaje de máquina se organizan en una taxonomía, basada en el resultado deseado del algoritmo. Los tipos comunes del algoritmo incluyen:
del

supervisado el aprender del &mdash de ; en cuál genera el algoritmo una función esa las entradas de los mapas a las salidas deseadas. Una formulación estándar de la tarea de aprendizaje supervisada es el problema de la clasificación : mirando requiere al principiante aprender (aproximar) el comportamiento de una función que trace un $X\_2\; del\; vector,\; \backslash \; de\; los\; ldots\; X\_N\; \backslash ,$ en una de varias clases varios ejemplos de la entrada-salida de la función.
&mdash de aprendizaje no supervisado ; Un agente que modela un sistema de entradas: los ejemplos etiquetados no están disponibles.
Semi-supervisado el aprender del &mdash de ; qué cosechadoras etiquetaron y los ejemplos sin etiqueta para generar una función apropiada o el clasificador.
Refuerzo que aprende el &mdash de ; en cuál aprende el algoritmo una política de cómo actuar dado una observación del mundo. Cada acción tiene cierto impacto en el ambiente, y el ambiente proporciona la regeneración que dirige el algoritmo de aprendizaje.
&mdash de la transducción ; similar al aprendizaje supervisado, pero no construye explícitamente una función: en lugar, intentos para predecir las nuevas salidas basadas en entradas del entrenamiento, las salidas del entrenamiento, y las entradas de la prueba que están disponibles mientras que entrenan.
que aprende aprender el &mdash de ; en cuál aprende el algoritmo su propio diagonal inductivo basado en experiencia anterior.

El análisis de cómputo de los algoritmos de aprendizaje de máquina y de su funcionamiento es una rama de informática teórico conocido como teoría de aprendizaje de cómputo .

Asuntos del aprendizaje de máquina el del de

esta lista representa los asuntos cubiertos en un curso típico del aprendizaje de máquina. ; los requisitos previos Teoría Bayesian

; Modelado del condicional de las funciones de densidad de probabilidad : regresión de y la clasificación Redes de los nervios artificiales * árboles de decisión * expresión de gene que programa
Algoritmos genéticos
programado genético
Programación de lógica inductiva
Regresión del proceso gausiano
Análisis discriminante linear
el vecino K-más cercano
Longitud de mensaje mínima
Perceptrón
Clasificador cuadrático
Redes radiales de la función de base * el vector de la ayuda trabaja a máquina

; Algoritmos para estimar los parámetros modelo:
Programación dinámica
algoritmo de la Expectativa-maximización

; Modelado de las funciones de densidad de probabilidad a través del

generativo del

de los modelos Modelos gráficos incluyendo las redes Bayesian y los campos al azar de Markov
de trazado topográfico generativo

;

aproximado del

de las técnicas de la inferencia Métodos de Monte Carlo * Bayes variado
modelos de Markov de la Variable-orden * redes Bayesian de la Variable-orden * propagación Loopy de la creencia

; la optimización La mayor parte de los métodos enumerados sobre o la optimización del uso o son casos de los algoritmos de optimización

; Meta-aprendizaje (del los métodos del conjunto) que alza
Elástico de bota que agrega
Bosque al azar
Algoritmo cargado de la mayoría

; Transferencia inductiva y aprendizaje aprender el
Transferencia inductiva
Refuerzo que aprende
Diferencia temporal que aprende
Método de Monte Carlo

Ver también

style=" del
Inteligencia artificial
Robusteza autónoma
Bioinformática
Inteligencia de cómputo
Visión de computadora
Explotación minera de datos
Programación de lógica inductiva
Sistema inteligente
Diario de la investigación del aprendizaje de máquina
Publicaciones importantes en el aprendizaje de máquina (de informática)
Lista del software de análisis numérico
Aprendizaje de máquina MLMTA : Modelos, tecnologías y usos
el Multi-etiqueta la clasificación
Sistemas de tratamiento de la información de los nervios (NIPS) (conferencia)
Programas para el trabajo en red de los nervios
modelos de Markov de la Variable-orden
red Bayesian de la Variable-orden
Reconocimiento de patrón
Analytics profético
Marco de aprendizaje de máquina de la Abrir-fuente WEKA para la clasificación, la regresión, y el agrupamiento del patrón.