Makine öğrenimi, yapay zekanın (AI) ayrılmaz bir bileşenidir, makinelere görevleri kendi başlarına, yani doğrudan rehberlik ve açık programlama almaya gerek kalmadan öğrenme ve gerçekleştirme yeteneği kazandırmak için istatistiksel metodolojiler kullanır.
Makine öğreniminin temeli, algoritmalarıdır. Bunlar, makineleri bilgiyi analiz edebilmeleri, sonuçlar çıkarabilmeleri ve bilinçli kararlar verebilmeleri için eğiten karmaşık kurallar ve matematiksel modeller kümeleridir.
Makine öğrenimi algoritmaları, akış platformlarındaki önerileri kişiselleştirmekten borsadaki eğilimleri tahmin etmeye kadar çeşitli uygulamalarda önemli rol oynayan tahmine dayalı modelleme için yoğun bir şekilde kullanılmaktadır.
Makine öğrenimi algoritmaları aşağıdaki kategorilere ayrılabilir
Denetimli öğrenme
Algoritmalar, önceden etiketlenmiş eğitim verilerinden eğitilir ve görünmeyen veriler için sonuçları tahmin etmek için bu eğitimi tahmin eder. Mekanizma ilişkilere benzer «öğretmen-öğrenci» Algoritmanın (öğrenci) öğretmenden (verilerden) bilgi aldığı ve bunu yeni senaryolara uyguladığı
Denetimsiz öğrenme
Algoritmalar, kalıpları ve yapıları bağımsız olarak belirleyerek etiketlenmemiş verilerle çalışır. Bu, bu süreçte bölgeyi tanımak ve keşifler yapmak için önceden bilgi sahibi olmadan bilinmeyen bir bölgede dolaşan bir araştırmacıyla karşılaştırılabilir.
Pekiştirmeli Eğitim
Algoritmalar, eylemlerinin sonuçlarından, aslında deneme yanılma sürecinden öğrenirler. Ödül sinyalini en üst düzeye çıkarmak için belirli bir ortamda eylemler gerçekleştirirler. Bunu günlük hayata aktarırsak, »pekiştirmeli öğrenme”, bir köpeğe pençe vermeyi öğretmekle karşılaştırılabilir.